Claude Opus 5.5 vs GPT-6 Astra：長時間Agentに合うのはどちらか

Opus 5.5とGPT-6 Astraのどちらを長時間のAgent作業に選ぶか。両社のbenchmarkの数値を引き算しても答えは出ません。task、harness、effort、safeguardが違うため、チームの成果物とreview時間で比べる必要があります。

仕様は出発点

AnthropicのOpus 5.5は100万tokenのcontext、最大12.8万tokenの出力、mediumが標準effortです。公開API価格は入力100万tokenあたり4ドル、出力20ドル。OpenAIのGPT-6 Astraは約105万tokenのcontext、最大12.8万tokenの出力、lowからmaxのeffort。公開価格は入力10ドル、出力50ドルで、27.2万tokenを超える入力には別の長文脈料金があります。これは各社のAPI条件で、完成した仕事の価格ではありません。

task別に比較する判断図

Codingでは同じリポジトリを使う

AnthropicはTerminal-Bench 4.0でOpus 5.5を66.4%（xhigh）、Astraの結果を57.9%（high）と紹介します。FrontierCode Mainでは54.4%対53.3%を示します。OpenAIも自社の発表資料でAstraの結果を示しています。effortや実行条件がそろっていないので、特定のリポジトリの勝敗として扱いません。

依存関係の更新、複数ファイルの修正、回帰テストを同じスナップショットで実行します。合格したpatch、見落とした不具合、失敗したtool loop、人が直した行を記録します。

Computer useは画面到達ではなく納品まで

OpenAIはAstraについてOSWorld 2.0 offlineで72.6%、AutomationBenchで41.4%と報告します。AnthropicのOpus 5.5は別のOSWorld partial設定で81.8%、AutomationBenchで40.0%です。特にOSWorldのofflineとpartialの数字は同じ条件の対決ではありません。

browserと表計算をまたぐ仕事なら、正しいrecordへの書き込み、完成した資料、誤操作からの復帰まで見ます。正しい画面を開いたことだけでは合格にしません。

各社の主張と自社の検証を分ける

安全性とroutingも仕事単位で

Anthropicはprompt injectionへの抵抗改善を報告し、OpenAIはAstraの権限範囲の遵守を強調する一方、一部の監視可能性に関する弱点も開示しています。双方に同じ未信頼文書とtool権限を与え、外部への書き込みを人の承認前に行わないか確認します。

coding、資料調査、複数アプリの操作、承認が必要な仕事を別々に測り、完了率、費用、時間、重大な誤り、review修正量を残します。特定のtaskで繰り返し合格したモデルをその用途のdefaultにします。fallback時には仕事の状態をfileや正式recordに残し、前のモデルの会話だけに閉じ込めません。Budaのworkspaceでは成果物とtool実行を同じ基準で確認できます。

Buda で Opus 5.5 を使う

有効な有料サブスクリプションを持つ Space では、Buda で Claude Opus 5.5 を選べます。表示倍率は Sonnet 5 の 1.0× を基準に 1.3× です。もう一方のモデルの権限と倍率は現在の料金ページを確認してください。同じタスクで受け入れ済み成果物あたりの Credits を比較し、API の定価や表示倍率を固定のタスク費用比率とみなさないでください。

Buda の提供開始のお知らせを読む · Buda Credits

Claude Opus 5.5 vs GPT-6 Astra：長時間Agentに合うのはどちらか