O lancamento que nao cobrimos: a Anthropic soltou o Claude Opus 5 na sexta-feira, 24 de julho, e o numero que importa e dois, o fator de preco entre ele e o carro-chefe que ele sombreia. O posicionamento da Anthropic e 'proximo da inteligencia frontier do Claude Fable 5 pela metade do preco', aos mesmos US$ 5 por milhao de tokens de entrada e US$ 25 de saida do Opus 4.8, com um modo Fast ao dobro do custo por cerca de 2,5 vezes a velocidade. Agora e o modelo padrao do Claude Max, o mais forte do Pro, e entrou no ar na AWS Bedrock no mesmo dia com contexto de um milhao de tokens.
Os numeros reivindicados, do texto de lancamento da Anthropic: novo estado da arte em Frontier-Bench e GDPval-AA, uma pontuacao no CursorBench 3.2 dentro de 0,5% do pico do Fable 5 pela metade do custo por tarefa, um resultado no OSWorld 2.0 acima do melhor do Fable 5 por pouco mais de um terco do custo, e uma pontuacao no ARC-AGI-3 que a Anthropic descreveu como tres vezes a do segundo melhor modelo, 30,2% no conjunto publico de tarefas. A leitura independente foi mais gentil que o marketing: a Artificial Analysis o coloca logo a frente no seu Intelligence Index, 61 a 60 do Fable 5, em empate de fato, e claramente a frente no AA-Briefcase, seu benchmark agentico, 1.720 a 1.574, com custo por tarefa cerca de 20% menor ; e a Epoch colocou sua pontuacao de engenharia de software empatada com a do Fable 5. A Anthropic tambem afirma ter evitado deliberadamente treinar o Opus 5 em tarefas ciberneticas; ele segue bem atras do Mythos 5 nesse terreno. Um detalhe destacado por Simon Willison no lancamento: numa tarefa do Frontier-Bench sem como ver o desenho de uma peca de maquina, o Opus 5 escreveu seu proprio pipeline de visao computacional para extrair a geometria dos pixels crus.
A resposta levou cinco dias. Em 29 de julho, a OpenAI publicou 'How enabling two settings tripled our scores on the ARC-AGI-3 benchmark': o GPT-5.6 Sol marca 13,3% na re-execucao do conjunto publico pela propria OpenAI, contra 7,8% na tabela oficial, mas 38,3%, acima dos 30,2% do Opus 5, uma vez ligados dois ajustes da API Responses, retained reasoning, que carrega o raciocinio privado entre chamadas de ferramentas em vez de descarta-lo, e compaction, que resume contextos longos em vez de trunca-los. Mesmos pesos do modelo, cerca de seis vezes menos tokens de saida, quase o triplo da pontuacao. Francois Chollet, do ARC Prize, tracou a linha onde o debate agora vive: arneses feitos sob medida para uma pontuacao ficam de fora, ajustes de API de proposito geral que qualquer cliente pode ligar ficam dentro, e os numeros da OpenAI se sustentam desde que os ajustes e o custo sejam claramente informados. Ele reconheceu tambem a questao da paridade: o arnes oficial descarta raciocinio que o proprio modelo produziu, o que e uma escolha sobre o teste, nao sobre os pesos.
Arquivem-se, entao, os dois numeros. Opus 5 com 30,2% num arnes que joga fora seu raciocinio entre as etapas, e GPT-5.6 Sol com 38,3% num arnes que nao joga, sao ambos verdadeiros, e nao descrevem o mesmo teste. A licao util desta semana de lancamento nao e quem venceu; e que, daqui em diante, todo resultado de benchmark frontier chega em duas colunas, o modelo e o andaime em volta dele, e a segunda coluna esta virando a que move o numero. Quando um vendedor lhe citar uma pontuacao, a primeira pergunta seguinte agora tem forma fixa: com que arnes, e de quem.