Opus 5 empata com Sol, Terra iguala Fable por um quarto

Nenhum modelo ganha o desenvolvimento de software em julho de 2026. No DeepSWE da Datacurve, o único grande quadro que faz passar todos os modelos pelo mesmo agente, o Claude Opus 5 marca 74% e o GPT-5.6 Sol 73%, com barras de erro sobrepostas [1]. O GPT-5.6 Terra iguala os 70% do Claude Fable 5 por menos de um quarto do custo [1]. O que separa os quatro é o perfil, não a posição.

Ponho os modelos Claude e o Sol a trabalhar em repositórios reais todas as semanas; o Terra só o conheço pelos quadros abaixo. Esta é, portanto, a comparação que gostava que alguém tivesse escrito para mim: os dois ChatGPT mais fortes contra os dois Claude mais fortes, benchmark a benchmark, incluindo a parte que as threads de lançamento saltam, ou seja, o que cada número pode de facto significar.

O alinhamento: preços, janelas e níveis de esforço

Os quatro modelos dividem-se de forma limpa por papel. A OpenAI encaminha o alias simples gpt-5.6 para o Sol, “o modelo para a capacidade de topo”, e posiciona o Terra como o modelo que “equilibra inteligência e custo” [2] [3]. Os docs da Anthropic apontam o Opus 5 à programação agêntica complexa e ao trabalho empresarial, e o Fable 5, o topo da gama, aos agentes de longa duração [4].

Os preços de tabela contam a mesma história. O Sol custa 5 $ por milhão de tokens de entrada e 30 $ pela saída; o Terra exatamente metade, 2,50 $ e 15 $ [2]. O Opus 5 está a 5 $ e 25 $, o Fable 5 a 10 $ e 50 $ [5]. E o prémio da Anthropic continua a subir a partir daí: a página de preços lista um fast mode para o Opus 5, em pré-visualização de investigação, exatamente às tarifas do Fable [5].

Especificação	Sol	Terra	Opus 5	Fable 5
Entrada, $/MTok	5,00	2,50 (Melhor valor da linha)	5,00	10,00
Saída, $/MTok	30	15 (Melhor valor da linha)	25	50
Leitura de cache, $/MTok	0,50	0,25 (Melhor valor da linha)	0,50	1,00
Janela de contexto	1,05M	1,05M	1M	1M
Níveis de esforço	6, de none a max	6, de none a max	5, de low a max	5, de low a max

A tabela numa linha: o Terra é o único desconto na sala, e as janelas de contexto estão tão próximas que deixam de diferenciar [2] [4].

Os botões de esforço merecem mais atenção do que os preços. O GPT-5.6 aceita seis valores, de none a max, e o guia da OpenAI chama a medium o ponto de partida equilibrado [3]. Os modelos Claude aceitam cinco, de low a max, vêm com high por omissão, e a Anthropic diz-lhe para subir o Opus 5 a xhigh em programação e trabalho agêntico exigentes, e para reservar max para tarefas que justifiquem um gasto de tokens sem restrições [6]. Nada garante que o high da OpenAI e o high da Anthropic comprem computação comparável. Os nomes de esforço são botões de cada fornecedor, não unidades.

O que é que mais esforço compra realmente?

Dez a quinze pontos de inteligência medida, por oito a dezasseis vezes os tokens. A Artificial Analysis pontua o Opus 5 de 51 em esforço low até 61 em max, o Sol de 49 a 59 e o Terra de 40 a 55 no seu Intelligence Index [9] [10] [11].

Esse índice, v4.1, mistura nove avaliações, do trabalho agêntico no terminal e das tarefas profissionais reais até ao GPQA Diamond e ao raciocínio de contexto longo, ponderadas em 34% agentes, 24% programação, 24% raciocínio científico e 18% geral [12]. É a melhor fotografia pública da curva de esforço, porque a mesma bateria correu em todos os níveis.

• Opus 5
• Sol
• Terra

Ver os dados em tabela

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

Duas coisas saltam à vista na figura 2. As curvas quase não se cruzam, por isso a hierarquia sobrevive a qualquer nível. E o topo é plano: o degrau impresso do Opus 5 de 60 para 61 vale 0,62 pontos de índice sem arredondamento, comprados ao subir a fatura de saída da bateria de 76 para 100 milhões de tokens [9].

As faturas de tokens são a curva verdadeira. O Opus 5 gastou 12 milhões de tokens de saída na bateria em low e 100 milhões em max; o Sol foi de 6,6 para 70 milhões; o Terra de 5,9 para 96 [9] [10] [11]. O último degrau do Terra é o caro: de xhigh para max quase triplica os tokens por três pontos de índice [11].

O Fable 5 não tem varrimento público de esforço. A Artificial Analysis lista exatamente uma configuração, max, com 60, um ponto arredondado abaixo do Opus 5, gerada com 87 milhões de tokens [13]. Os dois topos de gama da Anthropic correram com fallback do lado do servidor para o Opus 4.8 nos prompts que a sua camada de segurança trava [13] [14]. O veredicto de lançamento da AA sobre o Opus 5 resume esta secção: inteligência de nível Fable a 2,03 $ por tarefa do índice contra os 2,75 $ do Fable [14].

Quem ganha quando o agente é idêntico?

Ninguém, e é essa a conclusão. O DeepSWE faz passar os 18 modelos pelo mesmo mini-swe-agent, e em esforço máximo o Opus 5 resolve 74% ± 4 das tarefas e o Sol 73% ± 3 [1]. Os intervalos sobrepõem-se largamente. O Fable 5 e o Terra ficam empatados nos 70% [1].

O DeepSWE é a comparação em que mais confio porque elimina a variável do harness. As suas 113 tarefas cobrem 91 repositórios e cinco linguagens, foram escritas de raiz para que nenhum modelo tivesse visto uma solução no treino, e são avaliadas por verificadores escritos à mão que testam comportamento em vez de detalhes de implementação [1]. Os prompts têm cerca de metade do comprimento dos do SWE-bench Pro e as soluções exigem 5,5 vezes mais código [1].

Medição	Opus 5	Sol	Fable 5	Terra
Tarefas resolvidas, %	74	73	70	70
Custo por tarefa, $	11,84	8,39	21,63	4,95 (Melhor valor da linha)
Tokens de saída, K	118	60 (Melhor valor da linha)	119	72
Passos do agente	99	61 (Melhor valor da linha)	88	76

A linha das resolvidas na figura 3 está por marcar de propósito: 74 ± 4 contra 73 ± 3 é um empate, e a própria Datacurve avisa que as configurações de topo “sobrepõem-se frequentemente nos intervalos de confiança” [1]. As outras linhas separam com nitidez. O Sol chegou ao mesmo resultado com metade dos tokens de saída, em 61 passos contra os 99 do Opus 5, a 8,39 $ por tarefa contra 11,84 $ [1]. O Opus investiga mais tempo. O Sol entrega mais cedo.

O Terra é a linha que reprecifica o mercado: os mesmos 70% do Fable 5 a 4,95 $ por tarefa tentada contra 21,63 $ [1]. Divida o custo por tentativa pela taxa de resolução, o piso otimista que usei nos números do Kimi K3, e uma tarefa resolvida custa 7,07 $ no Terra e 30,90 $ no Fable.

tarefas resolvidas em esforço máximo

70%

a par do Fable 5 max

medido, por tarefa tentada

4,95 $

Fable 5 max: 21,63 $

derivado, por tarefa resolvida

7,07 $

o mais barato dos quatro em max

De qualquer forma, max raramente é o nível racional neste quadro. O Opus 5 em esforço high mantém 73% ± 2 a 6,08 $, igualando o Sol max por menos dinheiro; o Sol em xhigh mantém 71% ± 1 a 4,70 $, o intervalo mais apertado perto do topo [1]. O Fable nunca bate aqui a sua versão mais barata: xhigh faz os mesmos 70% de max a 13,41 $ em vez de 21,63 $ [1]. A própria fronteira custo-pontuação da Datacurve marca como configurações eficientes o Opus 5 em max, o Fable 5 em high e o Sol em medium [1].

Um maintainer faria mesmo o merge?

O FrontierCode da Cognition faz exatamente essa pergunta, e reordena o campo. As tarefas são escritas por maintainers dos repositórios em teste, as execuções que consultam fontes com a solução recebem zero, e a avaliação cobre correção, qualidade dos testes, âmbito e convenções da base de código [15]. As melhores configurações: Fable 5 xhigh com 53,5, Opus 5 medium com 53,4, Sol max com 47,5, Terra max com 41,3 [15].

Releia essa lista. A melhor qualidade de patch do Opus 5 sai do seu segundo nível de esforço mais baixo.

• Fable 5
• Opus 5
• Sol

Ver os dados em tabela

Esforço	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

A figura 5 é o gráfico mais útil que encontrei em toda a semana. O Sol sobe a cada passo do botão, de 35,4 para 47,5, portanto mais esforço compra ao Sol um patch melhor, de forma fiável [15]. O Fable atinge o pico em xhigh e devolve 1,9 pontos em max [15]. O Opus 5 atinge o pico em medium com 53,4, cai para 43,6 em xhigh e só recupera parcialmente em max [15]. A system card da Anthropic imprime a mesma curva e declara ela própria a âncora: melhor pontuação do conjunto principal em medium [16].

O mecanismo vê-se na avaliação. O FrontierCode pontua a disciplina de âmbito [15] e verifica padrões de implementação proibidos [16], e mais esforço faz um modelo explorar mais, tocar em mais, alargar mais. Numa bancada de investigação aberta, é essa a graça. Dentro de um pull request delimitado, lê-se como alargamento de âmbito. É a versão em benchmark do que escrevi quando o Opus 5 geriu a minha semana: um ótimo funcionário cujo chefe não para de se atribuir trabalho extra.

Duas notas de rodapé antes de coroarem o Fable. A vantagem de 0,1 pontos sobre o Opus 5 medium estende-se por cinco execuções por configuração e taxas de aprovação idênticas de 58,9%, por isso é ruído; os custos não são, com 13,09 $ por rollout para o Fable xhigh contra 4,30 $ para o Opus medium [15]. E até o melhor Sol fica abaixo do pior Fable: 47,5 contra 48,0 em low [15]. Na avaliação de qualidade de merge, a pilha Claude lidera sem discussão, com a ressalva habitual: o Claude correu no Claude Code e o GPT-5.6 no Codex [15].

Os quadros dos especialistas: compreensão, testes, refactoring

A família SWE Atlas da Scale mede o que uma taxa de resolução esconde, e é onde os quatro perfis mais se separam.

O Codebase QnA entrega ao agente um repositório real num contentor e 124 perguntas que exigem executar o software e seguir a execução, com peso para a arquitetura (35%) e a análise de causa raiz (30%) [17]. A Scale Labs pontua o Sol em xhigh no Codex com 46,0 ± 5,0, o Fable 5 com 39,0 ± 5,0 no Claude Code, e anota que ambos os modelos recusaram perguntas inofensivas que acionaram filtros de segurança, com as recusas contadas como zero [17]. Nem o Opus 5 nem o Terra têm linha. O quadro inteiro é liderado pela geração anterior: o Opus 4.8 com 57,26 [17].

Executadas por outro laboratório, as mesmas 124 perguntas invertem-se. Dentro do Coding Agent Index da Artificial Analysis, o Opus 5 xhigh assina a melhor componente SWE-Atlas-QnA com 54,8, à frente dos 48,9 do Fable, com o Sol max em 43,3 [18]. O mesmo conjunto de tarefas, execuções diferentes, ordem oposta. Guarde isso para a secção seguinte.

O Test Writing é o engenhoso: 90 tarefas em que os testes gerados têm de passar contra a implementação real e depois falhar quando o código relevante é mutado, para que testes ocos não valham nada [19]. O Fable 5 lidera com 55,6 ± 5,8 contra os 45,9 ± 6,0 do Sol, embora a classificação por intervalos do quadro ainda liste ambos no lugar 1 [19].

• Fable 5
• Sol

Ver os dados em tabela

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

Os dois quadros da figura 6 apontam em direções opostas, e esse é o perfil em miniatura: na execução da Scale, o Sol lê um sistema desconhecido um pouco melhor, o Fable testa-o bastante melhor.

O refactoring é a vitória mais nítida do Fable: 54,76 ± 6,76, no topo de um quadro cujas 70 tarefas cobrem decomposição, evolução de interfaces, extração e realocação, e cujos avaliadores procuram regressões, call sites partidos, dependências circulares e código morto esquecido [20]. Não existe linha do Opus 5, do Sol nem do Terra; a melhor configuração GPT listada é o GPT-5.5 da geração anterior com 44,79 [20]. Uma linha ausente não é um zero. Mas o resultado em vigor pertence ao Fable.

Terminais, VMs e a cauda difícil

O Terminal-Bench 2.1 mede se um modelo consegue conduzir uma shell até um estado final verificado, e o topo é um foto-finish. Na execução independente da Artificial Analysis, o Sol em xhigh lidera com 89,5%, o Opus 5 max marca 89,1% e três configurações, Sol max, Terra max e Opus 5 xhigh, caem num 88,0% idêntico [21]. Com 89 tarefas e três repetições [12], uma única tentativa virada move uma pontuação cerca de 0,4 pontos. O Fable 5 segue com 84,6% [21].

Ver os dados em tabela

Configuração	Valor
Sol xhigh	89,5%
Opus 5 max	89,1%
Terra max	88,0%
Fable 5 max	84,6%

A lição da figura 7: a coroa do terminal é um erro de arredondamento partilhado por três modelos, e o Fable é o único visivelmente atrás. Repare que o Terra acompanha aqui os topos de gama, a 2,50 $ por milhão de tokens de entrada [2] [21]. A própria tabela de lançamento da OpenAI conta uma história parecida com outros dígitos, Sol 88,8%, Terra 87,4%, Fable 5 83,1% [7], e o desacordo entre execuções próprias e independentes tem mais ou menos o tamanho das diferenças em disputa.

O FrontierBench v0.1 é o sucessor, construído pela mesma equipa: 74 tarefas mais duras inclinadas para biologia computacional, simulação física, CAD, provas formais e trabalho de desempenho em GPU [16]. A Anthropic correu-o no mini-swe-agent e reporta o Opus 5 com 44,4% em esforço xhigh, o seu melhor, com max dentro do ruído nos 43% e high a chegar aos 39% com menos 19% de tokens de saída; o Sol fica nos 37,5% e o Fable 5 nos 33,7%, ambos em max [16]. Em problemas genuinamente abertos, o Opus 5 lidera os quatro com clareza.

Dois quadros vizinhos completam a cauda agêntica. No OSWorld 2.0, onde o modelo conduz uma VM Ubuntu real com rato e teclado durante até 500 ações por tarefa, o Opus 5 faz 70,6%, o Fable 5 66,1% e o Sol 62,6%, com o valor do Sol retirado do próprio post de lançamento da OpenAI [16]. No AutomationBench da Zapier, uma empresa simulada com 47 aplicações e políticas de negócio em camadas, o Opus 5 max faz 26,0% e o Opus 5 medium 24% a 0,89 $ por tarefa, contra 18,1% do Sol e 17,4% do Fable [16]. Quanto mais desarrumado e preso a ferramentas é o ambiente, mais o Opus se destaca. E medium continua a envergonhar max.

Como ler uma leaderboard de 2026?

Como a medição de um modelo a usar um agente específico, num esforço específico, sob um avaliador específico. Mude qualquer um dos três e o número mexe-se, às vezes mais do que a distância entre o primeiro e o quarto lugar. Cinco hábitos mantêm a leitura honesta.

O hábito	A prova nesta comparação
Pergunte que harness correu	O SWE-bench Pro lê Fable 80,0, Opus 5 79,2, Sol 64,6, cada fornecedor no seu próprio agente [16]; o agente partilhado do DeepSWE comprime os mesmos modelos em quatro pontos [1]
Respeite as barras de erro	74 ± 4 contra 73 ± 3 [1]; três empates exatos nos 88,0% [21]; uma vantagem de 0,1 pontos em cinco execuções [15]
Repare na saturação	O Opus 5 faz 96,0% no SWE-bench Verified [16]; um quadro sem margem não ordena nada
Verifique a versão	A página de lançamento da OpenAI cita o Coding Agent Index v1.1 com o Sol em 80 [7]; o v1.3 ao vivo dá ao Sol max 67 [18]
Ausente não é zero	O Opus 5 não tem linha em nenhum dos três quadros da Scale [17] [19] [20]; o Terra quase não existe fora do DeepSWE e do FrontierCode

A linha da versão merece mais uma frase, porque é a mais traiçoeira. Um 80 em v1.1 e um 67 em v1.3 descrevem a mesma família de modelos no índice com o mesmo nome e não são comparáveis de todo; o DeepSWE reavaliou da mesma forma o GPT-5.5 xhigh de 70% para 67% entre os conjuntos v1 e v1.1 [1]. Um nome de benchmark sem número de versão é uma impressão.

Até as fontes primárias vacilam. A tabela-resumo da system card do Opus 5 rotula a execução do Sol no FrontierBench como Codex enquanto o texto de métodos diz mini-swe-agent na mesma infraestrutura, e o documento não resolve a contradição [16]. A sua vitória no SWE-bench Multimodal, 59,4 contra 54,1 do Fable, sai de um harness interno modificado a partir do público [16]. A Scale, por seu lado, concede às linhas mini-swe-agent mais recentes 500 passos onde as execuções anteriores tiveram 250, e observa que os modelos de fronteira rendem simplesmente melhor nos seus scaffolds nativos [17]. Nada disto é fraude. É o aspeto que tem medir um sistema em movimento, e é por isso que a verificação do hype do Kimi K3 e do GLM-5.2 chegou à mesma conclusão a partir de outros dados: as afirmações de capacidade sobrevivem ao escrutínio, as de comparabilidade quase nunca.

Que modelo fica com que trabalho?

O Terra para o volume de rotina, o Sol para objetivos conhecidos, o Opus 5 para problemas desconhecidos, o Fable 5 para alterações que têm de fazer merge limpas. É a isso que os perfis acima somam, e o nível de esforço conta tanto como o nome do modelo.

O trabalho	A minha escolha	Esforço
Endpoints de rotina, mappings, testes pequenos, config	Terra	medium ou high
Um pull request delimitado com critérios de aceitação claros	Opus 5	medium
Implementar um plano conhecido, corrigir um bug reproduzível	Sol	high
Encontrar a causa raiz de uma falha desconhecida	Opus 5	high ou xhigh
Estratégia de testes para uma feature que importa	Fable 5	xhigh
Refactoring à escala do repositório e migrações de interfaces	Fable 5	xhigh
Sessões longas de terminal e depuração	Sol ou Opus 5	high ou xhigh
Engenharia aberta sem solução conhecida	Opus 5	xhigh

Nenhum destes quadros correu o meu stack, e nenhum correu o seu, por isso a tabela é uma inferência a partir dos perfis, não uma medição. As regras de esforço, essas, estão medidas. O Sol é o único dos quatro cuja qualidade de merge subiu com cada passo do botão [15]. O Fable atinge o teto em xhigh nos quadros que lidera [15] [19]. O Opus 5 quer o botão ajustado ao trabalho: medium para uma alteração delimitada [15], xhigh quando o problema está genuinamente aberto [16]. Os docs de ambos os fornecedores coincidem com as suas curvas: a OpenAI chama a medium o arranque equilibrado [3], a Anthropic vem com high por omissão e trata max como a exceção que tem de justificar a sua fatura de tokens [6].

Três resultados redesenhariam esta tabela: uma linha do Opus 5 nos quadros da Scale, um varrimento público de esforço para o Fable 5 e qualquer um destes quatro medido no harness do fornecedor rival. Até lá, compre o perfil, não a posição. O modelo mais caro desta comparação não é o melhor na maioria dos trabalhos, o mais barato fica embaraçosamente perto em metade deles, e a mudança de configuração mais valiosa não custa nada: baixar o botão do esforço.