GPT-5.6 vs Claude 5: perché i benchmark discordano

Al 30 luglio 2026, GPT-5.6 e Claude 5 non hanno un unico vincitore nei benchmark. Nel DeepSWE ad agente condiviso di Datacurve, Opus 5 e Sol pareggiano al 74% e al 73% [1], mentre Terra eguaglia Fable 5 al 70% per meno di un quarto del costo [1]. La mia scelta dipende dal lavoro e dal budget.

Quale modello userei per ogni lavoro di coding?

Userei Terra per molto lavoro di routine, Sol quando l’obiettivo è chiaro, Opus 5 per un problema che non conosco e Fable 5 per modifiche delicate che coinvolgono tutto il repository. Il nome del modello non basta, perché il task e il livello di effort possono cambiare sia la qualità sia il costo.

Il lavoro	La mia scelta	Effort
Endpoint di routine, mapping, piccoli test, config	Terra	medium o high
Una pull request delimitata con criteri chiari	Opus 5	medium
Eseguire un piano noto, correggere un bug ripetibile	Sol	high
Trovare la causa di un errore sconosciuto	Opus 5	high o xhigh
Strategia di test per una feature importante	Fable 5	xhigh
Refactoring esteso e migrazioni di interfacce	Fable 5	xhigh
Lunghe sessioni di terminale e debug	Sol o Opus 5	high o xhigh
Ingegneria aperta senza una soluzione nota	Opus 5	xhigh

Gli andamenti misurati che sostengono queste scelte dicono più di qualsiasi classifica universale. Su FrontierCode di Cognition, Sol è l’unico modello la cui qualità delle patch migliora a ogni livello di effort [15], mentre Fable dà il meglio con xhigh sia su quel benchmark sia sul Test Writing di Scale Labs [15] [19]. Con Opus 5 bisogna invece scegliere il livello in base al lavoro: medium per una modifica delimitata su FrontierCode [15], xhigh per un problema aperto nei risultati FrontierBench di Anthropic [16].

Le indicazioni dei fornitori seguono lo stesso schema. OpenAI presenta medium come un punto di partenza equilibrato [3], mentre Anthropic parte da high e consiglia max soltanto quando il task giustifica i token aggiuntivi [6].

In cosa differiscono GPT-5.6 e Claude 5 per prezzo ed effort?

Terra è l’eccezione sul prezzo: OpenAI lo vende alla metà della tariffa di Sol, mentre OpenAI e Anthropic offrono a tutti e quattro i modelli una finestra di contesto vicina al milione di token [2] [4]. I livelli di effort possono incidere ancora di più su costo e risultato, ma le scale dei due fornitori non sono direttamente confrontabili.

I fornitori assegnano compiti diversi a questi modelli. OpenAI presenta Sol come il modello di punta GPT-5.6 e Terra come l’opzione meno costosa, mentre il semplice alias gpt-5.6 punta a Sol [2] [3]. Anthropic consiglia Opus 5 per il coding complesso e il lavoro enterprise, mentre Fable 5 occupa la fascia più alta per gli agenti a lunga esecuzione [4].

I prezzi di listino confermano questa divisione. Sol costa 5 $ per milione di token in input e 30 $ per milione in output, mentre Terra costa esattamente la metà, 2,50 $ e 15 $ [2]. Opus 5 costa 5 $ e 25 $, contro i 10 $ e i 50 $ di Fable 5 [5]. Anthropic elenca anche una modalità più veloce di Opus 5 in anteprima di ricerca, ma applica le tariffe di Fable 5 [5].

Specifica	Sol	Terra	Opus 5	Fable 5
Input, $/MTok	5,00	2,50 (Valore migliore della riga)	5,00	10,00
Output, $/MTok	30	15 (Valore migliore della riga)	25	50
Lettura cache, $/MTok	0,50	0,25 (Valore migliore della riga)	0,50	1,00
Finestra di contesto	1,05M	1,05M	1M	1M
Livelli di effort	6, da none a max	6, da none a max	5, da low a max	5, da low a max

La figura 1 mostra subito la differenza pratica: Terra è l’unico modello meno costoso del gruppo. Le finestre di contesto non li distinguono.

I livelli di effort contano ancora più dei prezzi di listino, ma le due scale funzionano in modo diverso. GPT-5.6 offre sei impostazioni da none a max, e OpenAI consiglia medium come punto di partenza equilibrato [3]. Claude ne offre cinque, parte da high e indica xhigh per il coding o il lavoro impegnativo con gli agenti; Anthropic riserva max ai task che giustificano un uso dei token senza limiti [6]. Poiché queste etichette non sono unità standard, high di OpenAI può rappresentare una quantità di calcolo diversa da high di Anthropic.

Cosa offre più effort: fino a 15 punti per 16 volte i token

Passare da low a max aggiunge da 10 a 15 punti nell’Intelligence Index di Artificial Analysis, ma richiede da otto a sedici volte i token. Opus 5 sale da 51 a 61, Sol da 49 a 59 e Terra da 40 a 55 [9] [10] [11].

La versione 4.1 dell’indice combina nove valutazioni che coprono lavoro nel terminale, completamento di task reali, GPQA Diamond e ragionamento su contesti lunghi. Gli agenti pesano per il 34%, il coding e il ragionamento scientifico per il 24% ciascuno e il ragionamento generale per il 18% [12]. Per questo confronto conta soprattutto che Artificial Analysis abbia eseguito la stessa serie di test a ogni livello di effort, così le variazioni formano una serie coerente.

• Opus 5
• Sol
• Terra

Mostra i dati in tabella

Effort	Opus 5	Sol	Terra
low	51	49	40
medium	56	54	46
high	59	56	49
xhigh	60	58	52
max	61	59	55

La figura 2 mantiene i modelli nello stesso ordine a ogni livello: Opus 5 guida, Sol resta circa due punti dietro e Terra rimane terzo. Vicino alla cima cambia però il valore di un altro gradino. Da xhigh a max, Opus 5 guadagna soltanto 0,62 punti non arrotondati, mentre il consumo di output sale da 76 a 100 milioni di token [9].

I totali completi mostrano lo stesso compromesso. Opus 5 passa da 12 milioni di token di output con low a 100 milioni con max, Sol da 6,6 a 70 milioni e Terra da 5,9 a 96 milioni [9] [10] [11]. L’ultimo gradino di Terra è particolarmente costoso, perché da xhigh a max l’output quasi triplica per tre punti dell’indice [11].

Non possiamo tracciare Fable 5 sulla stessa curva, perché Artificial Analysis pubblica soltanto il risultato con max: 60 punti e 87 milioni di token di output, un punto arrotondato sotto Opus 5 [13].

Quando lo strato di sicurezza bloccava un prompt, entrambi i modelli Anthropic passavano a Opus 4.8 [13] [14]. Stabilita questa riserva, Artificial Analysis calcola un costo di 2,03 $ per task dell’indice con Opus 5 e 2,75 $ con Fable 5 [14].

Chi vince con lo stesso agente? Opus 5 e Sol pareggiano

DeepSWE di Datacurve non indica un vincitore chiaro quando tutti i 18 modelli usano lo stesso mini-swe-agent. Con effort max, Opus 5 risolve il 74% ± 4 dei task e Sol il 73% ± 3 [1]. Gli intervalli di confidenza si sovrappongono, quindi il punto di distacco non è significativo. Fable 5 e Terra seguono entrambi al 70% [1].

Do più peso a DeepSWE proprio perché l’harness condiviso elimina una delle principali fonti di variazione. I suoi 113 task coprono 91 repository e cinque linguaggi, e gli autori li hanno scritti da zero perché i modelli non potessero aver visto le soluzioni durante l’addestramento [1]. Verificatori scritti a mano controllano il comportamento invece dei dettagli di implementazione. I prompt sono lunghi circa la metà di quelli di SWE-bench Pro, ma le soluzioni richiedono 5,5 volte più codice [1].

Misura	Opus 5	Sol	Fable 5	Terra
Task risolti, %	74	73	70	70
Costo per task, $	11,84	8,39	21,63	4,95 (Valore migliore della riga)
Token di output, K	118	60 (Valore migliore della riga)	119	72
Passi dell'agente	99	61 (Valore migliore della riga)	88	76

La figura 3 lascia senza indicatore la riga dei task risolti, perché 74% ± 4 e 73% ± 3 sono statisticamente alla pari, proprio come suggerisce l’avviso di Datacurve sugli intervalli di confidenza sovrapposti [1]. La differenza più chiara è il modo in cui i due modelli arrivano al risultato. Sol usa 60.000 token di output e 61 passi, contro 118.000 token e 99 passi di Opus 5, perciò il costo per task tentato scende da 11,84 $ a 8,39 $ [1].

La differenza di costo è ancora maggiore tra Terra e Fable 5. Entrambi risolvono il 70% dei task, ma ogni tentativo costa 4,95 $ con Terra e 21,63 $ con Fable [1]. Dividendo questi valori per il tasso di risoluzione si ottiene una stima ottimistica di 7,07 $ per task risolto con Terra e 30,90 $ con Fable. Ho usato lo stesso metodo nella mia analisi di Kimi K3.

task risolti con effort max

70%

alla pari con Fable 5 max

misurato, per task tentato

4,95 $

Fable 5 max: 21,63 $

calcolato, per task risolto

7,07 $

il più economico dei quattro con max

Anche per uno stesso modello, max non offre sempre il miglior rapporto tra costo e risultato. Opus 5 con high ottiene il 73% ± 2 per 6,08 $ a task, quindi raggiunge di fatto Sol max spendendo meno; Sol con xhigh arriva al 71% ± 1 per 4,70 $ [1]. Con Fable il compromesso è ancora più chiaro: xhigh e max risolvono entrambi il 70%, ma xhigh costa 13,41 $ invece di 21,63 $ [1]. Nel confronto tra costo e punteggio, Datacurve individua Opus 5 max, Fable 5 high e Sol medium come configurazioni efficienti [1].

Quale modello scrive la patch più facile da accettare?

Fable 5 xhigh e Opus 5 medium sono di fatto alla pari in cima a FrontierCode di Cognition, che misura se i maintainer accetterebbero una patch [15]. Il risultato più utile è che Opus raggiunge il picco con medium, non con max.

I task del benchmark sono scritti dai maintainer dei repository esaminati. Un’esecuzione riceve zero se consulta una fonte che contiene la soluzione, mentre il valutatore controlla correttezza, qualità dei test, rispetto del perimetro e convenzioni del codice.

I migliori punteggi esatti sono 53,5 per Fable 5 xhigh, 53,4 per Opus 5 medium, 47,5 per Sol max e 41,3 per Terra max [15].

• Fable 5
• Opus 5
• Sol

Mostra i dati in tabella

Effort	Fable 5	Opus 5	Sol
low	48,0	41,9	35,4
medium	49,8	53,4	39,9
high	52,7	48,0	45,1
xhigh	53,5	43,6	46,8
max	51,6	48,0	47,5

La figura 5 mostra tre reazioni diverse a un effort maggiore. Sol migliora senza interruzioni da 35,4 con low a 47,5 con max [15], mentre Fable 5 raggiunge 53,5 con xhigh e perde 1,9 punti con max. Opus 5 è meno prevedibile: arriva a 53,4 con medium, scende a 43,6 con xhigh e recupera soltanto fino a 48,0 con max [15]. La system card di Anthropic mostra la stessa curva e conferma medium come impostazione migliore di Opus 5 sul set principale [16].

Il metodo di valutazione di FrontierCode aiuta a capire perché più effort può peggiorare il risultato. Il benchmark premia il rispetto del perimetro [15] e controlla gli schemi di implementazione vietati [16], mentre un effort maggiore può spingere il modello a esplorare più file e ad ampliare la modifica. Questo comportamento può aiutare nella ricerca aperta, ma penalizza una pull request molto delimitata. Ho osservato la stessa tendenza quando Opus 5 ha gestito la mia settimana.

Il vantaggio di 0,1 punti di Fable su Opus 5 medium non permette di indicare un vero vincitore, perché ogni configurazione conta appena cinque esecuzioni ed entrambe superano il 58,9% dei task [15].

I costi, invece, sono molto più chiari: Fable xhigh costa 13,09 $ per esecuzione, contro i 4,30 $ di Opus medium. Anche il miglior punteggio di Sol, 47,5, resta sotto il valore più basso di Fable, 48,0 [15].

Claude guida quindi questo benchmark sulla qualità delle patch. Il limite importante è che Claude girava in Claude Code, mentre GPT-5.6 girava in Codex [15].

SWE Atlas divide il lavoro tra Sol e Fable 5

Nei test SWE Atlas di Scale Labs, Sol guida la comprensione del repository, mentre Fable 5 guida la scrittura di test e il refactoring [17] [19] [20]. Un’esecuzione separata di Artificial Analysis inverte l’ordine nella comprensione, e mostra così quanto l’agente possa influire sul risultato [18].

La comprensione del repository cambia con l’agente

Codebase QnA colloca un repository reale in un container e pone all’agente 124 domande che richiedono di eseguire il software e seguirne il funzionamento. Il punteggio dà il 35% all’architettura e il 30% all’analisi della causa di un errore [17].

Scale Labs riporta 46,0 ± 5,0 per Sol xhigh in Codex e 39,0 ± 5,0 per Fable 5 in Claude Code, anche se entrambi i modelli hanno perso punti dopo che i filtri di sicurezza hanno causato il rifiuto di domande innocue [17]. Opus 5 e Terra non hanno risultati, mentre il precedente Opus 4.8 guida la classifica con 57,26 [17].

Artificial Analysis ottiene un ordine diverso con le stesse 124 domande. Nel suo Coding Agent Index, Opus 5 xhigh raggiunge 54,8, Fable 5 arriva a 48,9 e Sol max a 43,3 [18]. Poiché il set di task è rimasto identico mentre sono cambiate le esecuzioni e gli harness, l’inversione mostra quanto il sistema intorno al modello possa modificare una classifica.

Fable 5 guida la scrittura di test e il refactoring

Il benchmark Test Writing di Scale Labs usa 90 task per verificare se un agente capisce il comportamento che sta testando. Ogni test generato deve passare sull’implementazione reale e poi fallire dopo una modifica mirata al codice, quindi un test vuoto non vale nulla [19]. Fable 5 ottiene 55,6 ± 5,8 contro il 45,9 ± 6,0 di Sol, ma gli intervalli sovrapposti lasciano entrambi i modelli al primo posto [19].

• Fable 5
• Sol

Mostra i dati in tabella

Benchmark	Fable 5	Sol
Codebase QnA	39,0	46,0
Test Writing	55,6	45,9

Nelle esecuzioni di Scale, la figura 6 attribuisce a ogni modello un punto di forza preciso: Sol risponde meglio alle domande su un repository che non conosce, mentre Fable scrive test migliori.

Nel refactoring, Fable ottiene il risultato pubblicato più netto con 54,76 ± 6,76. I 70 task riguardano scomposizione, modifiche alle interfacce, estrazione e spostamento, mentre i valutatori controllano regressioni, call site interrotti, dipendenze circolari e codice morto [20].

Opus 5, Sol e Terra non hanno un risultato in questo benchmark; il miglior modello GPT elencato è il precedente GPT-5.5 con 44,79 [20]. Le righe mancanti limitano il confronto, non valgono zero.

Quale modello gestisce meglio i task aperti? Opus 5

I risultati pubblicati sostengono soprattutto Opus 5 nei task aperti per agenti. Artificial Analysis non riesce a distinguere con sicurezza Sol, Opus 5 e Terra su Terminal-Bench 2.1 [21], ma i risultati di Anthropic mettono Opus in testa su FrontierBench, OSWorld e AutomationBench [16].

Terminal-Bench lascia i primi tre statisticamente vicini

Artificial Analysis riporta l’89,5% per Sol xhigh e l’89,1% per Opus 5 max, mentre Sol max, Terra max e Opus 5 xhigh ottengono tutti l’88,0% [21].

Il benchmark verifica se un modello sa usare una shell per raggiungere un risultato verificato. Con 89 task e tre ripetizioni, un singolo tentativo che cambia esito sposta il punteggio di circa 0,4 punti [12]. Fable 5 resta più indietro con l’84,6% [21].

Mostra i dati in tabella

Configurazione	Valore
Sol xhigh	89,5%
Opus 5 max	89,1%
Terra max	88,0%
Fable 5 max	84,6%

La figura 7 non indica quindi un vincitore chiaro tra Sol e Opus 5, mentre Terra resta vicino nonostante il prezzo di input inferiore di 2,50 $ per milione di token [2] [21]. La tabella di lancio di OpenAI riporta valori leggermente diversi: 88,8% per Sol, 87,4% per Terra e 83,1% per Fable 5 [7]. Lo spostamento tra i risultati di OpenAI e l’esecuzione indipendente è simile alle distanze tra i modelli di testa, un altro motivo per non attribuire troppo peso al loro ordine.

I problemi aperti più difficili favoriscono Opus 5

La stessa squadra ha progettato FrontierBench v0.1 intorno a 74 task più difficili, in ambiti come biologia computazionale, simulazione fisica, CAD, dimostrazioni formali e prestazioni GPU [16]. Anthropic ha eseguito i modelli con mini-swe-agent e ha misurato un vantaggio più chiaro per Opus 5: 44,4% con xhigh, 43% con max e 39% con high, che usa il 19% di token di output in meno di max. Sol ottiene il 37,5% e Fable 5 il 33,7%, entrambi con max [16]. Per questi problemi aperti, Opus 5 ha il miglior risultato pubblicato.

Altri due benchmark estendono questo vantaggio ai task lunghi che usano molti strumenti. In OSWorld 2.0, dove un modello controlla una VM Ubuntu attiva con mouse e tastiera per un massimo di 500 azioni a task, Opus 5 ottiene il 70,6%, Fable 5 il 66,1% e Sol il 62,6%. Anthropic riprende il risultato di Sol dal post di lancio di OpenAI [16].

AutomationBench di Zapier simula invece un’azienda con 47 app e diverse regole operative. Opus 5 max ottiene il 26,0%, mentre medium raggiunge il 24% al costo di 0,89 $ per task, contro il 18,1% di Sol e il 17,4% di Fable [16]. La riga in cima ad AutomationBench è cambiata da allora, e spiego perché il punteggio più alto di AutomationBench riguarda due modelli.

Opus 5 guida entrambi gli ambienti, ma il piccolo distacco tra medium e max mostra di nuovo che il livello più alto non è sempre necessario.

Come leggere una classifica nel 2026: confronta i sistemi

Una classifica misura un sistema completo: un modello, un harness, un livello di effort e un valutatore. Cambiare uno qualsiasi di questi elementi può spostare il punteggio più della distanza tra il primo e il quarto posto, perciò controllo cinque aspetti prima di confrontare i risultati.

Il controllo	L’esempio in questo confronto
Quale harness è stato usato	Su SWE-bench Pro, Fable ottiene 80,0, Opus 5 79,2 e Sol 64,6, ciascuno con l’agente del proprio fornitore [16]; l’agente condiviso di DeepSWE riduce la distanza tra gli stessi modelli a quattro punti [1]
Rispetta i margini d’errore	74 ± 4 contro 73 ± 3 [1]; tre pareggi esatti all’88,0% [21]; un vantaggio di 0,1 punti su cinque esecuzioni [15]
Controlla la saturazione	Opus 5 ottiene il 96,0% su SWE-bench Verified [16]; una classifica senza margine non sa distinguere i modelli
Controlla la versione	La pagina di lancio di OpenAI cita Coding Agent Index v1.1 con Sol a 80 [7]; la versione 1.3 attuale assegna 67 a Sol max [18]
Un dato assente non è zero	Opus 5 non compare in nessuna delle tre classifiche di Scale [17] [19] [20]; Terra appare quasi soltanto su DeepSWE e FrontierCode

I numeri di versione meritano particolare attenzione, perché un nome noto può nascondere un test diverso. Coding Agent Index assegna 80 alla stessa famiglia di modelli nella versione 1.1 e 67 nella versione 1.3, ma i due valori non sono confrontabili. Anche DeepSWE ha spostato GPT-5.5 xhigh dal 70% nella v1 al 67% nella v1.1 [1]. Senza la versione, il risultato è incompleto. Un esempio più recente è la nuova valutazione di Muse Spark 1.3 nell’indice di Artificial Analysis.

Persino le fonti primarie possono lasciare aperti dettagli importanti. Nella tabella riassuntiva, la system card di Opus 5 indica Codex per l’esecuzione Sol su FrontierBench, ma la sezione sul metodo parla di mini-swe-agent sulla stessa infrastruttura e non spiega il conflitto [16]. Anche il risultato SWE-bench Multimodal, 59,4 per Opus 5 contro 54,1 per Fable, proviene da un harness interno modificato rispetto alla versione pubblica [16].

Scale introduce un’altra variazione, perché concede 500 passi alle nuove esecuzioni con mini-swe-agent invece dei 250 precedenti, e riferisce che i modelli migliori rendono di più negli harness dei rispettivi fornitori [17]. Queste scelte non rendono il lavoro scorretto, ma mostrano che molte righe misurano sistemi diversi. La mia analisi di Kimi K3 e GLM-5.2 arrivava alla stessa conclusione con altri dati: le capacità sono reali, ma molti punteggi non sono direttamente confrontabili.

Tre risultati mancanti potrebbero cambiare le mie scelte: Opus 5 nei benchmark di Scale, una serie pubblica dei livelli di effort per Fable 5 e test di ogni modello nell’harness dell’altro fornitore. Finché non li avremo, sceglierei in base al lavoro invece di comprare il modello primo in classifica. Il modello più costoso raramente è il migliore in tutto, Terra resta vicino in diversi benchmark e ridurre l’effort può abbassare il costo e migliorare la qualità della patch. OpenAI ha nel frattempo pubblicato un successore di Sol, e il mio confronto tra GPT-6 Astra e Sol 5.6 riprende da qui.