O mais caro deixou de ser o melhor

Em 22 de setembro a Anthropic lançou o Claude Opus 5.5 (claude-opus-5-5): US$ 4 por milhão de tokens de entrada e US$ 20 de saída, contra US$ 5 e US$ 25 do Opus 5. Há um modo rápido, até 2,5 vezes mais veloz, a US$ 8 e US$ 40. A janela é de um milhão de tokens e a saída chega a 128 mil.^1,3 No mesmo dia, a Artificial Analysis o mediu em 58 no índice, no esforço máximo — “a maior nota que medimos, por vários pontos”. Em esforço alto, 54; médio, 51; baixo, 42.²

Seis dias depois veio o Claude Sonnet 5.5, ao mesmo preço do Sonnet 5 — US$ 2 e US$ 10 —, com 56 no índice: segundo lugar, dois pontos atrás do Opus. A Artificial Analysis registrou também que ele gasta mais tokens de saída por tarefa do que qualquer modelo que ela já mediu.^5,6 A figura 1 refaz o gráfico de nota contra preço com os lançamentos da semana.

No gráfico do nº 1, o ponto mais alto ficava na ponta direita, a US$ 50. Agora fica no meio. Os dois modelos de US$ 50 seguem com 53; o Opus 5.5 cobra 40% disso e marca 58, e o Sonnet 5.5 cobra 20% e marca 56. O indicador de preço da fronteira continua em US$ 50, porque mede o modelo mais caro, não o melhor — e a diferença entre os dois, que até aqui não existia, passa a ser o dado mais interessante do painel.

Duas ressalvas mudam a leitura. A primeira é o esforço: o mesmo Opus 5.5 vai de 42 a 58 conforme o quanto se deixa ele pensar, e cada ponto a mais custa tokens. No esforço alto, 54, ele já passa o Astra no máximo. A segunda é o consumo: preço por token igual ao do Sonnet 5 não quer dizer custo por tarefa igual, e o Sonnet 5.5 é o modelo que mais escreve por tarefa entre todos os que a Artificial Analysis mediu. A Anthropic diz que ele custa “até 30% menos por tarefa”; é um número dela, sem método publicado.^5,6

Também em 22 de setembro, a OpenAI lançou o GPT-6 Sol e o GPT-6 Luna. O Sol custa US$ 2 por milhão de tokens de entrada, US$ 0,20 em cache e US$ 10 de saída; o GPT-5.6 Sol, que ele substitui, custava US$ 4 e US$ 20. O Luna custa US$ 0,10, US$ 0,01 e US$ 0,50, contra US$ 0,20 e US$ 1,20 do anterior.^7,9 A Artificial Analysis mediu os dois no mesmo nível da geração 5.6: 48 para o Sol (o 5.6 tinha 47) e 38 para o Luna (o 5.6 também).⁸

O preço por token conta metade da história. A outra metade é quantos tokens o modelo gasta para resolver a mesma tarefa. A Artificial Analysis publica o custo de rodar cada modelo no índice inteiro, e a figura 2 mostra a conta por tarefa: o Sol caiu 47%, o Luna, 61%.⁸

É a forma mais útil de corte de preço para quem já tem produto: o mesmo agente, a mesma qualidade medida, metade da conta, sem reescrever nada além do nome do modelo. O GPT-5.6 tinha saído em junho; em três meses, a OpenAI entregou a mesma capacidade pela metade. Se o ritmo se mantiver, o custo de manter um agente parado — sem trocar de fornecedor, sem otimizar prompt — cai sozinho, e a decisão de migrar para um modelo aberto mais barato fica menos urgente do que parecia no nº 3.

Com uma ressalva que veio três dias depois. Em 25 de setembro, a OpenAI corrigiu um erro de codificação de imagem que degradava o Sol e o Luna e recomendou refazer as avaliações que usam imagem.⁷ Quem testou os dois modelos com documentos escaneados, telas ou gráficos entre 22 e 25 de setembro mediu o erro, não o modelo. A lição vale para qualquer lançamento: a primeira semana de um modelo é também a primeira semana do serviço que o serve, e as duas coisas aparecem misturadas na avaliação.

No lançamento do Opus 5.5, a Anthropic publicou 66,4% no Terminal-Bench 4.0, no esforço xhigh; no máximo, segundo o system card, o modelo marca 64,8%, “dentro do ruído”.^1,10 Seis dias depois, o Sonnet 5.5 veio com 70,6% — o Sonnet 5 tinha 10,3% na mesma tabela.⁵ Os dois números são autorreportados, mas vêm com o que falta à maioria: cinco rodadas por tarefa, erro padrão de 2,5 a 2,6 pontos, o agente usado (Claude Code), e uma calibração — no setup da Anthropic, o Opus 5 marca 52,3%, e no placar oficial do benchmark, 51,8%.¹⁰ A figura 3 mostra o que se sabia do teste no fim da semana.

A calibração é o argumento mais forte a favor dos números: se o setup interno reproduz o placar público num modelo antigo, é razoável esperar que reproduza nos novos. É razoável, não garantido — e o placar oficial ainda não tinha os modelos novos para conferir. O painel registra o teto como 70,6%, autorreportado, e diz isso ao lado do número. É um salto de onze pontos sobre os 59,1% independentes da semana anterior.

Quando outro modelo responde

O system card do Sonnet 5.5 traz um detalhe que não aparece na tabela: os 70,6% foram medidos com as salvaguardas ligadas, e as requisições bloqueadas por elas foram respondidas por um modelo de reserva — 1,2% das requisições, em 1,5% das rodadas. No Opus 5.5, 2,5% das requisições foram sinalizadas, afetando 10% das rodadas.¹⁰ As regras estão escritas: no Opus 5.5, bloqueios por risco biológico e por desenvolvimento de modelos de fronteira caem para o Opus 5; por uso indevido em cibersegurança, para o Opus 4.8. A troca vale nos produtos da própria Anthropic e para quem opta por ela na API, e a empresa diz que os bloqueios são transparentes — não alteram respostas às escondidas.¹²

É o tema do nº 2 por outro caminho: o modelo que você chama não é sempre o que responde. Aqui a troca é declarada, opcional na API e rara. Mas ela existe dentro do número de benchmark — e, para um agente que trabalha com segurança ou escreve kernels para aceleradores de IA, “rara” pode ser a tarefa inteira. Quem constrói nessa área precisa testar com o modelo de reserva ligado e desligado, e registrar quando ele entrou.

As notas de versão do dia 22 trazem duas linhas que importam mais do que a tabela de benchmarks para quem vai migrar. No Opus 5.5, o pensamento adaptativo não pode ser desligado. E uma chamada com tool_choice em any ou tool — que obriga o modelo a usar uma ferramenta — retorna erro 400.⁴ Forçar ferramenta é um padrão comum em extração estruturada e em harnesses que encadeiam etapas. Quem usa esse padrão precisa reescrever a chamada antes de trocar de modelo, e quem pagava por respostas curtas sem pensamento vai pagar pelo pensamento que o modelo decidir ter.

Do outro lado, o cache. A leitura em cache do Opus 5.5 custa US$ 0,20 por milhão de tokens — 5% do preço de entrada; no Opus 5 eram 10%. O Sonnet 5.5 segue a mesma regra: US$ 0,10.³ O código 1 repete o mês de agente do nº 3 — seis bilhões de tokens lidos, 240 milhões escritos — agora com 90% de acerto no cache.

# O mesmo mês de agente do nº 3 (6 bilhões de tokens lidos, 240 milhões escritos), agora com 90% de acerto no cache
entrada, saida, acerto = 6_000, 240, 0.90   # milhões de tokens

modelos = {  # US$ por milhão de tokens: entrada, leitura em cache, saída (lista em 28/9)
    "Claude Opus 5":   (5.00, 0.50,   25.00),
    "Claude Opus 5.5": (4.00, 0.20,   20.00),
    "Claude Sonnet 5.5": (2.00, 0.10, 10.00),
    "GPT-6 Astra":     (10.00, 1.00,  50.00),
    "GPT-6 Sol":       (2.00, 0.20,   10.00),
    "MiMo-V2.6-Pro":   (0.435, 0.0036, 0.87),
}
def mes(pin, pcache, pout, h=acerto):
    return entrada * ((1 - h) * pin + h * pcache) + saida * pout

print(f"{'modelo':18}{'sem cache':>11}{'90% cache':>11}{'economia':>10}")
for nome, p in modelos.items():
    sem, com = mes(*p, h=0), mes(*p)
    print(f"{nome:18}{sem:>11,.0f}{com:>11,.0f}{1 - com / sem:>10.0%}")

o5, o55 = mes(*modelos["Claude Opus 5"]), mes(*modelos["Claude Opus 5.5"])
print(f"\nOpus 5.5 contra Opus 5, só pelo preço de lista: {1 - o55 / o5:.0%} mais barato")

modelo              sem cache  90% cache  economia
Claude Opus 5          36,000     11,700       68%
Claude Opus 5.5        28,800      8,280       71%
Claude Sonnet 5.5      14,400      4,140       71%
GPT-6 Astra            72,000     23,400       68%
GPT-6 Sol              14,400      4,680       68%
MiMo-V2.6-Pro           2,819        489       83%

Opus 5.5 contra Opus 5, só pelo preço de lista: 29% mais barato

Com cache, o Opus 5.5 sai 29% mais barato que o Opus 5 na mesma carga, contra 20% sem cache. A Anthropic diz que o modelo custa 40% menos “em cargas típicas”.¹ A diferença entre os 29% da conta e os 40% do anúncio teria de vir de o modelo gastar menos tokens para fazer o mesmo trabalho — o que é possível, mas não está medido em lugar público. E vale o contrário para o Sonnet 5.5: o preço por token é o mesmo do Sonnet 5, mas ele é o modelo que mais escreve por tarefa no índice. Para os dois, o número que decide é o custo por tarefa no seu próprio agente, e esse só você mede.

Nenhum laboratório publicou pesos novos de ponta entre 22 e 28 de setembro, e o topo dos abertos no índice da Artificial Analysis continua o da semana anterior: MiMo-V2.6-Pro com 46, GLM-5.3 com 45, Kimi K3 com 44, GLM-5.3-Flash com 42.¹⁵ Só dois desses estão sob MIT. O GLM-5.3, lançado em agosto, usa uma licença própria da Z.ai que permite uso comercial com uma exceção: quem oferece o modelo como serviço e tem receita combinada acima de US$ 10 bilhões em doze meses precisa passar por uma revisão de segurança da empresa.¹³ O Kimi K3 também tem licença própria, como o nº 1 contou. A tabela 1 resume.

A cláusula do GLM-5.3 alcança só quem vende o modelo como serviço e fatura acima de US$ 10 bilhões por ano — um punhado de empresas no mundo. Ainda assim, o modelo fica fora do indicador, e a razão é prática: um departamento jurídico lê licença de forma binária. MIT e Apache 2.0 dispensam a pergunta “estamos na exceção?”; qualquer licença própria obriga alguém a respondê-la, por escrito, antes do primeiro deploy. O indicador mede o preço do que se pode usar sem essa conversa. Quem pode ter a conversa encontra, no GLM-5.3, um ponto a menos que o MiMo por cinco vezes o preço de saída — o que, no gráfico do primeiro movimento, o deixa sozinho no meio do caminho.

Brasil

Nenhum edital novo com valor e prazo apareceu na semana, e o indicador do PBIA fica em R$ 1,009 bilhão. O PL 2338/2023 segue sem movimento na Câmara desde 2 de setembro.¹⁷ Os dois prazos de outubro continuavam de pé no fim da semana: as propostas da RHAE IA até o dia 9 e a abertura das propostas de Macaíba no dia 8.