Claude Opus 4.8 против GPT-5.5: разрыв в бенчмарках больше, чем ожидали

На днях вышел Claude Opus 4.8 - обновление флагмана от Anthropic. Параллельно у OpenAI работает GPT-5.5. Логичный вопрос - кто из них сейчас сильнее на реальных задачах. Пользователь Reddit прогнал обе модели по нескольким крупным бенчмаркам и собрал цифры в одну таблицу. Результат оказался показательным - на одних задачах разрыв заметный, на других всё сложнее. Разбираем по порядку, без хайпа.

Сравнивали две версии моделей. С одной стороны - Claude Opus 4.8, свежий релиз Anthropic. С другой - GPT-5.5 от OpenAI, актуальная топовая модель. Брали публичные бенчмарки, которые показывают реальные навыки моделей - не просто академические тесты, а близкие к рабочим задачам.

В подборку вошли пять основных тестов - программирование (SWE-Bench Pro), общие знания и рассуждения без помощи инструментов (Humanity's Last Exam), офисная и аналитическая работа (GDPval), агентный финансовый анализ и терминальное кодирование. Каждый тест измеряет свою сторону модели - где-то проверяется глубина знаний, где-то - способность долго удерживать контекст и доводить задачу до конца.

SWE-Bench Pro - это, пожалуй, главный тест для оценки моделей на реальном программировании. Он берёт настоящие баги из открытых проектов и просит модель их починить. Не сгенерировать функцию по описанию, а разобраться в чужом коде и сделать правильный фикс.

Cчёт - 69.2% у Claude Opus 4.8 против 58.6% у GPT-5.5. Разрыв больше 10 процентных пунктов - это много. Для сравнения, ещё полгода назад модели шли почти ноздря в ноздрю. Это значит, что Anthropic серьёзно вложился именно в кодинг, а не просто докрутил общие способности.

Humanity's Last Exam - набор очень сложных вопросов из разных дисциплин, от математики и физики до истории и философии. Главное условие - модель должна решать сама, без поиска в интернете и без вызова инструментов. Это чистая проверка того, что заложено в самой нейросети.

Cчёт - 49.8% у Claude против 41.4% у GPT-5.5. Снова заметный перевес. Это говорит о том, что у Claude глубже база - то есть он лучше "помнит" редкие факты и точнее рассуждает в незнакомых областях. Для пользователя это значит, что на сложных вопросах без права на ошибку Claude чаще даст правильный ответ с первой попытки.

GDPval - относительно новый бенчмарк от OpenAI, который проверяет модели на задачах из реальной экономики. Это не код и не олимпиадная математика - это документы, презентации, аналитические записки, ответы клиентам. То, чем люди занимаются на работе каждый день.

Счёт - 1890 баллов у Claude против 1769 у GPT-5.5. Разрыв небольшой, но стабильный. На офисных задачах модели близки - и это логично, потому что обе крупные лаборатории давно фокусируются на этом сценарии. Корпоративный клиент - главный покупатель ИИ, и обе модели заточены под него.

Тест на агентный финансовый анализ проверяет модель не просто на знание формул, а на способность пройти длинную цепочку шагов - получить данные, обработать, проверить себя, сделать вывод. Классический сценарий ИИ-агента, который работает за аналитика.

Счёт - 53.9% у Claude против 51.8% у GPT-5.5. Здесь разрыв минимальный, обе модели плюс-минус на одном уровне. На длинных агентных задачах различие в архитектуре пока не даёт большого выигрыша одной из сторон.

Не во всём Claude в плюсе. На терминальном кодинге - это когда модель пишет команды в shell, запускает скрипты, разбирается с системой - GPT-5.5 даёт 78.2% против 74.6% у Claude. Отрыв небольшой, но он есть.

Возможное объяснение - OpenAI отдельно прокачивает свой агент Codex, который работает прямо в терминале и интегрирован в ChatGPT. У них больше данных и больше итераций именно по этому сценарию. Anthropic делает упор на интеграцию с IDE через Claude Code - и там как раз выигрывает на чистом коде, но не на терминальных задачах.

Чтобы было удобнее сравнить - все цифры одним блоком:

• SWE-Bench Pro: Claude 69.2% / GPT-5.5 58.6% - выигрыш Claude

• Humanity's Last Exam: Claude 49.8% / GPT-5.5 41.4% - выигрыш Claude

• GDPval: Claude 1890 / GPT-5.5 1769 - выигрыш Claude

• Финансовый анализ: Claude 53.9% / GPT-5.5 51.8% - почти ничья

• Терминальный кодинг: Claude 74.6% / GPT-5.5 78.2% - выигрыш GPT

Если коротко - на момент конца мая 2026 года Claude Opus 4.8 сильнее на классическом программировании, на сложных вопросах с глубокими знаниями и на офисной работе с документами. GPT-5.5 берёт реванш на терминальных задачах, где нужно крутить команды и работать с системой.

Для большинства пользователей это означает простую вещь - если вы пишете код в IDE, анализируете тексты или работаете с документами, Claude скорее всего справится лучше. Если у вас сценарий с активной работой в терминале и автоматизацией оболочки - возможно, имеет смысл подключать GPT-5.5.

Важный момент - разрыв в бенчмарках не означает, что одна модель плохая. GPT-5.5 уверенная и сильная модель, она просто перестала быть очевидным лидером. Конкуренция выровнялась, и теперь вопрос не "какая нейросеть лучше", а "какая лучше под вашу задачу".

Главная боль с Claude и ChatGPT в России - регистрация и оплата. Зарубежный номер для регистрации, иностранная карта для оплаты, ВПЭН для доступа. Не каждый готов с этим возиться.

Есть два рабочих способа обойти эти ограничения и попробовать обе модели без танцев с бубном.

Опус 4.8 уверенно тянет программирование, сложные знания и офисную аналитику. GPT-5.5 пока сильнее в терминале. Разрыв между лидерами есть, но он не катастрофический - обе модели по-прежнему мощные. Главное - выбирать инструмент под конкретную задачу, а не зацикливаться на одной модели.

Картинки, видео и музыку можно генерировать и прямо в чате с ChatGPT или Claude - через плагин, а для своего кода те же нейросети есть по API.

Больше новостей про ИИ и обзоров моделей - в нашем канале TG | MAX