Opus 5, GPT-6 Sol e GPT-6 Luna: o que os benchmarks de setembro de 2026 realmente dizem

---

Em 22 de setembro de 2026, a OpenAI lançou dois modelos e a Anthropic lançou um. No mesmo dia. GPT-6 Sol e GPT-6 Luna chegaram a US$ 2/US$ 10 e US$ 0,10/US$ 0,50 por milhão de tokens — metade do preço de entrada da geração anterior. Claude Opus 5.5 chegou a US$ 4/US$ 20.

A leitura fácil é a do placar: quem ganhou. A leitura útil é outra, e ela começa com um incômodo. Se você tentar colocar esses modelos na mesma tabela dos melhores modelos chineses — Kimi K3, Qwen3.8 Max, DeepSeek V4 Pro, GLM-5.3 —, descobre que quase não existe benchmark em comum. Os laboratórios americanos migraram para AutomationBench, FrontierCode 1.1, DeepSWE e Terminal-Bench 4.0. Os laboratórios chineses continuam publicando SWE-bench Verified e Terminal-Bench 2.x.

Não dá para somar essas colunas. E é exatamente por isso que a pergunta “quem está na frente” vem sendo respondida com mais confiança do que os dados permitem.

Este artigo faz três coisas: lê os números que a OpenAI e a Anthropic publicaram, mostra onde eles contradizem a manchete, e mapeia honestamente onde os modelos chineses estão — inclusive admitindo o que não é possível comparar.

TL;DR

• GPT-6 Sol (22/09/2026): US$ 2/US$ 10 por milhão, contexto de 1,05M tokens, corte de conhecimento em 20/04/2026.
• GPT-6 Luna (22/09/2026): US$ 0,10/US$ 0,50 por milhão, mesmo contexto, corte em 18/05/2026.
• Claude Opus 5 (24/07/2026): US$ 5/US$ 25. Claude Opus 5.5 saiu no mesmo dia que Sol e Luna, a US$ 4/US$ 20.
• A manchete da OpenAI é custo, não capacidade. Em dois de seis benchmarks de destaque, GPT-6 Sol pontua abaixo do GPT-5.6 Sol que substitui — e cobra ~60% menos por tarefa.
• Nos dois benchmarks em que os dois laboratórios reportam igual, Opus 5.5 lidera Sol: 40,0% contra 33,2% em AutomationBench; 54,4% contra 49,3% em FrontierCode 1.1.
• Luna é o resultado mais interessante do dia: 66,6% em DeepSWE por US$ 0,22 por tarefa. Mas em esforço baixo ela marca 2,4% no mesmo benchmark. O nível de esforço importa mais que o modelo.
• Esforço maior nem sempre ajuda. Luna pontua pior em high do que em medium no Agents' Last Exam. Teste, não presuma.
• Modelos chineses: Kimi K3 lidera o recorte chinês do BenchAlign v5 com 74, seguido de Qwen3.8 Max (73,1) e GLM-5.3 (67). Qwen3.8 Max é o melhor de pesos abertos.
• Eles não aparecem nos benchmarks novos da OpenAI e da Anthropic. Isso não significa que estão atrás. Significa que ninguém rodou.
• Todos os números aqui são reportados pelos fabricantes ou por agregadores. Eu não remedi nenhum.

O que saiu, e a que preço

Três semanas antes de Sol e Luna, a OpenAI lançou o topo de linha da geração: GPT-6 Astra, no início de setembro de 2026, a US$ 10/US$ 50. Sol e Luna trazem os ganhos do Astra para baixo na tabela de preço — é assim que a própria OpenAI descreve o lançamento.

Especificação	GPT-6 Sol	GPT-6 Luna	GPT-6 Astra
Lançamento	22/09/2026	22/09/2026	início de setembro/2026
Preço (entrada/saída por 1M)	US$ 2 / US$ 10	US$ 0,10 / US$ 0,50	US$ 10 / US$ 50
Entrada em cache	US$ 0,20	US$ 0,01	—
Contexto	1.050.000 tokens	1.050.000 tokens	1.050.000 tokens
Saída máxima	128.000 tokens	128.000 tokens	128.000 tokens
Corte de conhecimento	20/04/2026	18/05/2026	30/04/2026
Modalidades	texto e imagem na entrada, texto na saída	idem	idem
Níveis de esforço	none, low, medium, high, xhigh, max	none, low, medium (padrão), high, xhigh, max	low, medium, high, xhigh, max

Do lado da Anthropic, a linha relevante para comparação:

Modelo	Lançamento	Preço (entrada/saída por 1M)
Claude Opus 5	24/07/2026	US$ 5 / US$ 25
Claude Opus 5.5	22/09/2026	US$ 4 / US$ 20
Claude Fable 5.1	—	US$ 10 / US$ 50

O corte de preço é real e é grande. A entrada do Sol custa exatamente metade da entrada do GPT-5.6 Sol. A saída do Luna caiu 58%, de US$ 1,20 para US$ 0,50. Entrada em cache leva 90% de desconto nos dois.

Guarde uma ressalva comercial: o “metade do preço” é medido contra a tarifa promocional do GPT-5.6 Sol, garantida apenas até 21 de novembro de 2026. Preço de API é condição comercial, não propriedade física do modelo.

Os benchmarks que os dois laboratórios reportam igual

Aqui está o detalhe que torna a comparação possível. A OpenAI não incluiu o Opus 5.5 em seus gráficos — ele saiu no mesmo dia. Mas os números que a Anthropic publicou para Opus 5, Fable 5.1, GPT-6 Astra e GPT-5.6 Sol são idênticos aos valores de esforço máximo nos gráficos da OpenAI. Os dois laboratórios parecem estar reportando as mesmas execuções. Isso torna legítimo colocar Opus 5.5 ao lado de Sol nessas duas colunas.

Benchmark	GPT-6 Sol	GPT-6 Luna	Opus 5.5	Fable 5.1	GPT-6 Astra	Opus 5
AutomationBench	33,2%	20,7%	40,0%	31,4%	41,4%	26,9%
FrontierCode 1.1	49,3%	42,4%	54,4%	50,3%	53,3%	48,0%
Terminal-Bench 4.0	—	—	66,4%	55,8%	57,9%	52,3%
Preço (1M entrada/saída)	$2 / $10	$0,10 / $0,50	$4 / $20	$10 / $50	$10 / $50	$5 / $25

Três leituras:

Opus 5.5 é o modelo mais forte dessas colunas, e por margem não trivial: cerca de 7 pontos à frente do Sol em AutomationBench, 5 em FrontierCode. No Terminal-Bench 4.0 ele marca 66,4%, acima até do Astra (57,9%), que custa 2,5 vezes mais. A OpenAI não reportou Terminal-Bench 4.0 para Sol ou Luna.

O Astra ainda lidera AutomationBench com 41,4%. O topo de linha continua sendo o topo de linha; Sol não foi feito para destroná-lo.

Sol supera o Opus 5 anterior em ambos os benchmarks, cobrando menos. Contra o Opus 5.5, perde. A geração que ele bate é a que a Anthropic acabou de substituir — no mesmo dia.

A manchete que os próprios gráficos contradizem

O pitch do lançamento é eficiência de custo. Vale ler isso de forma literal, porque em parte dos benchmarks a capacidade não subiu — desceu.

Benchmark	GPT-6 Sol (melhor)	GPT-5.6 Sol (melhor)	Claude Opus 5 (melhor)
DeepSWE v1.1	68,8%	72,7%	73,7%
OSWorld 2.0	64,4%	66,2%	70,2%

Em DeepSWE e OSWorld 2.0, o melhor resultado do GPT-6 Sol fica abaixo do melhor resultado do modelo que ele substitui, e abaixo do Opus 5. O que melhorou foi o custo por tarefa, não o teto.

Isso não é um escândalo. É uma escolha de produto declarada: trazer os ganhos do Astra para pontos de preço mais baixos. Mas muda completamente a pergunta que você deve fazer. Se o seu gargalo é qualidade no limite, esse lançamento não é para você. Se é custo por tarefa em volume, ele pode ser o lançamento mais relevante do trimestre.

Onde Sol de fato avança: no Agents' Last Exam, em esforço máximo, ele marca 56,4% — acima do melhor do Opus 5, 55,9%. E em AutomationBench, em xhigh, marca 33,2% a US$ 0,27 por tarefa, contra 26,9% do Opus 5 em max cobrando 11,1 vezes mais.

Luna, e a armadilha do nível de esforço

O resultado mais instrutivo do dia não é o do modelo caro. É a tabela completa do Luna por nível de esforço — o tipo de dado que raramente aparece em post de lançamento.

Benchmark	low	medium	high	xhigh	max
AutomationBench 1.0.6	1,2% ($0,006)	9,4% ($0,016)	14,5% ($0,021)	12,6% ($0,025)	20,7% ($0,037)
Agents' Last Exam V1	36,3% ($0,025)	46,8% ($0,11)	43,6% ($0,11)	47,9% ($0,11)	50,9% ($0,15)
FrontierCode 1.1 Main	25,7% ($0,021)	35,5% ($0,053)	37,3% ($0,067)	37,1% ($0,073)	42,4% ($0,11)
DeepSWE v1.1	2,4% ($0,006)	44,5% ($0,052)	59,3% ($0,084)	61,3% ($0,11)	66,6% ($0,22)
OSWorld 2.0 (offline)	8,3% ($0,030)	31,5% ($0,062)	41,4% ($0,12)	46,7% ($0,16)	52,7% ($0,27)
Taxa de erro factual (menor é melhor)	27,7%	17,5%	12,5%	10,2%	7,6%

Duas coisas saltam.

O mesmo modelo varia de 2,4% a 66,6% no mesmo benchmark. Em low, Luna é inútil para trabalho agêntico: 2,4% em DeepSWE, 1,2% em AutomationBench, 8,3% em OSWorld. A faixa útil começa em medium. Qualquer manchete sobre “o modelo X marca Y%” sem dizer o nível de esforço está omitindo a variável mais determinante do resultado.

Esforço não é monotônico. Luna pontua pior em high do que em medium no Agents' Last Exam (43,6% contra 46,8%), e pior em xhigh do que em high no AutomationBench (12,6% contra 14,5%). Sol tem o mesmo comportamento: seu pico em AutomationBench e em factualidade é xhigh, não max.

A consequência prática é chata e direta: max por padrão é desperdício de dinheiro com risco de resultado pior. O nível de esforço é um hiperparâmetro do seu workload. Ele precisa ser varrido como qualquer outro.

E, em custo por tarefa, Luna faz algo notável: 50,9% no Agents' Last Exam por US$ 0,15, onde o antecessor precisava de US$ 2,57 para marcar 50,4%. Mesmo resultado, 17 vezes mais barato.

Onde o Opus 5 ainda está sozinho

Um número do Opus 5 não tem par na tabela de ninguém: ARC-AGI-3.

Verificado pela ARC Prize Foundation em esforço alto, o Opus 5 marcou 30,16% — cerca de quatro vezes o segundo colocado (GPT-5.6 Sol, 7,78%) e cerca de vinte vezes o Opus 4.8 (1,52%). Ele completou cinco ambientes do Public Demo que nenhum modelo havia resolvido antes. O resultado em esforço máximo não estava disponível no lançamento.

ARC-AGI mede outra coisa: generalização para tarefas fora da distribuição de treino, não competência em engenharia de software. Uma vantagem de 4× ali não se traduz em vantagem em código, e o inverso também vale. É um lembrete de que “melhor modelo” só significa algo depois que você diz melhor em quê.

Vale também registrar a ressalva que a própria Anthropic publicou: o System Card do Opus 5 afirma que ele não é mais capaz no geral que o Fable 5, que mantém a designação oficial de modelo mais capaz e é o recomendado para trabalho agêntico autônomo de vários dias.

E os modelos chineses? Onde eles realmente estão

Aqui a resposta honesta precisa de duas partes: o que os rankings mostram, e o que nenhum ranking consegue mostrar.

O que os rankings mostram

No recorte de laboratórios chineses do BenchAlign v5, verificado em 22 de setembro de 2026:

#	Modelo	Laboratório	Pesos	Contexto	Score
1	Kimi K3	Moonshot AI	pendente	1,05M	74,0
2	Qwen3.8 Max	Alibaba	abertos	1M	73,1
3	Qwen3.7 Max	Alibaba	proprietário	1M	67,1
4	GLM-5.3	Z.ai	abertos	1M	67,0
5	GLM-5.3-Flash	Z.ai	abertos	1M	66,8
6	GLM-5.2	Z.ai	abertos	1M	66,8
7	Kimi K2.7 Code	Moonshot AI	abertos	256K	66,2
8	Kimi K2.6	Moonshot AI	abertos	256K	66,1

O agregador publica intervalos de 90% junto com os scores, e eles se sobrepõem bastante — a diferença entre o primeiro e o quarto colocado não é decisiva no sentido estatístico. Trate a ordem como orientação, não como pódio.

Nos benchmarks que esses laboratórios de fato reportam:

Modelo	SWE-bench Verified	SWE-bench Pro	Terminal-Bench	GPQA Diamond
DeepSeek V4 Pro Max	80,6	55,4	67,9 (TB 2.0)	90,1
Kimi K2.6	80,2	58,6	66,7 (TB 2.0)	90,5
GLM-5.2	—	62,1	81,0 (TB 2.1)	91,2
Qwen3-Coder-Next	70,6 (com SWE-Agent)	42,7–44,3	36,2	—

Todos esses são números reportados pelos fabricantes, frequentemente com harness próprio e esforço máximo. O caveat que acompanha os resultados agênticos da DeepSeek, por exemplo, é explícito: harness próprio, esforço máximo.

E as licenças importam tanto quanto os scores:

Modelo	Parâmetros	Licença	Classe de deploy
DeepSeek V4 Pro	1,6T total / 49B ativos	MIT	cluster
DeepSeek V4 Flash	284B / 13B ativos	MIT	nó multi-GPU
Kimi K3	2,8T	licença própria Kimi K3	rack
Kimi K2.6	1T / 32B ativos	MIT modificada	serving especializado
GLM-5.2	744B / 40B ativos	MIT	cluster
Qwen3-Coder-Next	80B / 3B ativos	Apache 2.0	workstation
Qwen3.8-27B	27B	Apache 2.0	laptop de alta memória

Esse é o ponto que raramente entra na conversa sobre placar: você pode baixar a maioria desses modelos. Um checkpoint MIT que resolve ~80% do SWE-bench Verified roda na sua infraestrutura, sem chamada externa, sem preço por token, sem alias que muda sob seus pés. O eixo em que a China está claramente na frente não é acurácia — é disponibilidade.

Sobre preço: a DeepSeek passou a cobrar tarifas de pico e fora de pico em 16 de agosto de 2026, dobrando o valor por sete horas por dia. Mesmo assim, a camada Flash começa em torno de US$ 0,22 por milhão de tokens de entrada fora de pico. Compare com o Luna a US$ 0,10 e você verá que a vantagem de preço bruto encolheu bastante nesta semana.

O que nenhum ranking mostra

Agora a parte incômoda. Os modelos chineses não aparecem em AutomationBench, FrontierCode 1.1, DeepSWE, Terminal-Bench 4.0 ou Agents' Last Exam — os benchmarks sobre os quais este artigo inteiro discutiu nas seções anteriores.

Os americanos, por sua vez, praticamente pararam de reportar SWE-bench Verified nos lançamentos mais recentes.

Isso cria uma zona cega real:

• Não dá para dizer que Kimi K3 fica atrás do Sol em AutomationBench. Ninguém rodou.
• Não dá para dizer que Sol fica atrás do GLM-5.2 no Terminal-Bench 2.1. Também ninguém rodou.
• Quando os conjuntos de benchmark não se intersectam, comparação vira narrativa.

Há ainda uma assimetria de incentivo digna de nota: benchmarks novos são propostos pelos laboratórios que se saem bem neles. Migrar de SWE-bench Verified — onde vários modelos abertos chineses passaram de 80% — para DeepSWE e FrontierCode não é, por si só, má-fé; benchmarks saturam e precisam ser substituídos. Mas o efeito colateral é que o placar reinicia num tabuleiro onde só um lado já jogou.

O sinal mais honesto disponível

Se benchmarks não resolvem, olhe para revealed preference: o que as empresas ocidentais realmente colocam em produção.

O Composer 2, modelo próprio do Cursor lançado em março de 2026, foi construído sobre o Kimi 2.5, checkpoint de pesos abertos da Moonshot AI. O detalhe não estava no post de lançamento; apareceu quando usuários no X identificaram a base. O vice-presidente Lee Robinson confirmou depois, afirmando que “apenas ~1/4 do compute gasto no modelo final veio da base”. O cofundador Aman Sanger reconheceu que “foi uma falha não mencionar a base Kimi no nosso blog desde o início”.

Uma empresa avaliada em dezenas de bilhões de dólares, vendendo para dois terços da Fortune 500, escolheu um checkpoint chinês aberto como base do seu modelo de código. Isso diz mais sobre o estado da paridade do que qualquer tabela deste artigo.

Como escolher, sem depender de placar

A pergunta “qual o melhor modelo” quase nunca tem resposta útil. Estas têm:

Se a restrição dura é…	Comece por	Porque
custo por tarefa em volume alto	GPT-6 Luna em medium/high	66,6% em DeepSWE por US$ 0,22 no topo; faixa útil começa em medium
teto de qualidade em código agêntico	Claude Opus 5.5	lidera AutomationBench, FrontierCode e Terminal-Bench 4.0 entre os comparáveis
generalização fora da distribuição	Claude Opus 5	30,16% em ARC-AGI-3, ~4× o segundo colocado
trabalho autônomo de vários dias	Claude Fable 5.1	designação oficial da Anthropic para esse caso
dado não pode sair da sua rede	Qwen3.8 Max, DeepSeek V4, GLM-5.2	pesos abertos, licenças MIT/Apache
uma GPU só, ou um laptop	Qwen3-Coder-Next, Qwen3.8-27B	80B/3B ativos e 27B, Apache 2.0
reprodutibilidade auditável	qualquer checkpoint com revisão fixada	alias hospedado muda sem aviso
contexto muito longo	qualquer um da lista	1M+ virou commodity nesta geração

E uma regra que vale mais que a tabela: varra o nível de esforço antes de trocar de modelo. A diferença entre medium e max no mesmo modelo é frequentemente maior — em qualidade e em custo — do que a diferença entre dois modelos concorrentes no mesmo nível.

O que medir no seu próprio harness

Nenhum número deste artigo foi medido por mim. Nenhum deles foi medido no seu domínio. O eval que decide é o seu, e ele é mais barato de montar do que parece.

1. Vinte a cinquenta tarefas reais, rotuladas por quem conhece o domínio. Casos comuns, raros, ambíguos e adversariais. Esse conjunto vale mais que qualquer leaderboard.
2. Custo por tarefa concluída, não custo por token. Inclua retry, reprocessamento e o custo das tarefas que falharam.
3. Varredura de esforço em cada modelo candidato. Registre o ponto de saturação; frequentemente ele não é max.
4. Latência p50/p95/p99, porque a média esconde a cauda que o usuário sente.
5. Taxa de erro factual no seu conteúdo, e não no conteúdo genérico do benchmark.
6. Custo de troca: quantas linhas mudam para substituir o provider? Se a resposta for “muitas”, esse é o problema a resolver antes de escolher modelo.
7. Reprodutibilidade: fixe versão ou revisão e guarde-a junto de cada decisão registrada.

O item 6 merece ênfase. Nesta semana, três modelos novos mudaram a fronteira de preço e qualidade. Vai acontecer de novo no mês que vem. Uma arquitetura em que trocar de modelo custa um dia de trabalho vale mais do que acertar a escolha de hoje.

Checklist para ler qualquer lançamento de modelo

• O nível de esforço está declarado ao lado de cada score?
• O custo por tarefa está publicado, ou só o preço por token?
• O benchmark é o mesmo da geração anterior, ou trocaram de régua?
• Os concorrentes citados são os atuais, ou a versão que acabou de ser substituída?
• O número é de terceiro verificador ou do harness do próprio fabricante?
• O preço tem data de validade promocional?
• Em quantos benchmarks o modelo novo pontua abaixo do que ele substitui?
• O modelo aparece em algum benchmark que os concorrentes também rodam?

Se as oito respostas não estiverem no post de lançamento, você está lendo marketing com aparência de ciência. Isso não invalida o modelo — só invalida a manchete.

Conclusão

Setembro de 2026 entregou três coisas ao mesmo tempo: um corte de preço agressivo da OpenAI, uma resposta de qualidade da Anthropic no mesmo dia, e um ecossistema chinês de pesos abertos que já resolve ~80% do SWE-bench Verified e pode ser baixado.

A leitura de placar diz que Opus 5.5 lidera os benchmarks comparáveis, que Astra lidera AutomationBench, e que Luna redefiniu o custo por tarefa. Tudo isso é verdade e pouco acionável.

A leitura útil é outra. Primeiro: o nível de esforço move mais o resultado do que a escolha de modelo, e quase ninguém reporta isso. Segundo: capacidade e custo deixaram de subir juntos — dois dos seis benchmarks de destaque do GPT-6 Sol estão abaixo do modelo anterior, de propósito. Terceiro: a pergunta sobre os modelos chineses não tem resposta limpa porque os conjuntos de benchmark pararam de se intersectar, e o sinal mais forte disponível não é um score — é o Cursor construindo seu modelo de código sobre um checkpoint da Moonshot.

O que sobra como conselho é modesto e resistente: monte um eval pequeno no seu domínio, varra o esforço, meça custo por tarefa concluída, e construa a integração de modo que trocar o modelo custe um dia. A fronteira vai se mover de novo antes de você terminar de ler o próximo post de lançamento.

Fontes primárias e secundárias

• OpenAI — GPT-5.6
• Kingy AI — GPT-6 Sol e GPT-6 Luna: specs, benchmarks e preços
• Digital Applied — GPT-6 Sol e Luna: preços de API, benchmarks e trade-offs
• VentureBeat — OpenAI lança GPT-6 Sol e Luna cortando custos de API
• BenchLM — Melhores modelos chineses, setembro de 2026
• Kingy AI — Melhores modelos de pesos abertos em 2026
• Eden AI — Claude Opus 5: benchmarks, scores, preços e roteamento
• Codersera — Claude Opus 5: Frontier-Bench, ARC-AGI-3 e SWE-bench
• Wikipedia — Cursor (empresa)
• Hugging Face — DeepSeek V4 Flash
• Hugging Face — Kimi K3
• Hugging Face — GLM-5.3-Flash
• Hugging Face — Qwen3.8-27B

Todos os scores, preços e datas foram verificados em 22 de setembro de 2026 e vêm de posts de lançamento dos fabricantes ou de agregadores terceiros, conforme indicado em cada tabela. Eu não executei nenhum benchmark. Preço de API é condição comercial mutável; confirme nas páginas oficiais antes de decidir.