O lançamento que não cobrimos: a Anthropic soltou o Claude Opus 5 na sexta-feira, 24 de julho, e o número que importa e dois, o fator de preço entre ele e o carro-chefe que ele sombreia. O posicionamento da Anthropic e 'próximo da inteligência frontier do Claude Fable 5 pela metade do preço', 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 padrão 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 números reivindicados, do texto de lançamento da Anthropic: novo estado da arte em Frontier-Bench e GDPval-AA, uma pontuação 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 terço do custo, e uma pontuação no ARC-AGI-3 que a Anthropic descreveu como três vezes a do segundo melhor modelo, 30,2% no conjunto público 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 pontuação de engenharia de software empatada com a do Fable 5. A Anthropic também 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 lançamento: numa tarefa do Frontier-Bench sem como ver o desenho de uma peça de máquina, o Opus 5 escreveu seu próprio 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-execução do conjunto público pela própria 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 raciocínio 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 pontuação. François Chollet, do ARC Prize, tracou a linha onde o debate agora vive: arneses feitos sob medida para uma pontuação ficam de fora, ajustes de API de propósito geral que qualquer cliente pode ligar ficam dentro, e os números da OpenAI se sustentam desde que os ajustes e o custo sejam claramente informados. Ele reconheceu também a questão da paridade: o arnes oficial descarta raciocínio que o próprio modelo produziu, o que e uma escolha sobre o teste, não sobre os pesos.

Arquivem-se, então, os dois números. Opus 5 com 30,2% num arnes que joga fora seu raciocínio entre as etapas, e GPT-5.6 Sol com 38,3% num arnes que não joga, são ambos verdadeiros, e não descrevem o mesmo teste. A lição útil desta semana de lançamento não 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 número. Quando um vendedor lhe citar uma pontuação, a primeira pergunta seguinte agora tem forma fixa: com que arnes, e de quem.