Comparar modelos e interpretar benchmarks

Uma tela de cadastro custa menos com o modelo certo, e a diferença entre dois modelos chega a várias vezes. Modelo é o programa de IA que recebe o seu pedido em português e devolve o código da tela pronta.

O Claude Sonnet 5 cobra US$ 2 de entrada e US$ 10 de saída por milhão de tokens. O Claude Opus 5, guardado para a tela que decide a venda, custa bem mais. Por isso quem paga a conta precisa saber três coisas: o preço de cada modelo, o tipo de tela e o que a ferramenta confere sozinha.

Os dois fornecedores cobram por token, que é o pedaço de palavra usado como unidade da conta, assim como o minuto na conta de telefone. Você paga um valor pelo que envia e outro, sempre mais caro, pelo que o modelo devolve.

No Claude, o Opus 5 custa US$ 5 de entrada e US$ 25 de saída por milhão de tokens. O Sonnet 5, da mesma casa, custa US$ 2 e US$ 10, e um aumento anunciado para ele foi cancelado antes de entrar em vigor.

Do lado da OpenAI, o GPT-5.6 Sol custa US$ 5 de entrada e US$ 30 de saída. O nível mais barato, o Luna, caiu 80% em três semanas e hoje sai por US$ 0,20 e US$ 1,20. Ele cobra ainda menos, US$ 0,02 por milhão, pelo trecho guardado em cache, a memória curta do pedido já enviado.

Uma queda de 80% de um lado e um aumento cancelado do outro ensinam a mesma regra. Preço de modelo muda em semanas, e por isso não dá para planejar o gasto de seis meses com o valor de hoje. Abra a tabela oficial no dia em que começar um projeto grande.

A escolha segue o tipo de tela. Cadastro, listagem e formulário se repetem em dezenas de telas parecidas e vão para o Sonnet 5. A vitrine do produto, a tela em que a aparência decide a compra, vai para o Opus 5. Classificar, resumir ou etiquetar texto em massa, sem gerar tela, cabe no GPT-5.6 Luna.

Numa agência que monta páginas de captação, o formulário e o bloco de depoimento se repetem em toda página e ficam no Sonnet 5. Só a abertura de cada cliente sobe para o Opus 5, porque é ela que decide a venda. A conta do mês cai sem que o resultado visível piore.

Quando as três perguntas não resolvem, o teste dura uma tarde. Rode o mesmo pedido dez vezes em dois modelos, some o custo e conte quantas correções você precisou pedir. Ganha o menor dos dois números.

Falta decidir como pagar, e existem dois regimes. A assinatura cobra um valor fixo por mês e limita o uso numa janela de cinco horas, com um teto semanal à parte para os modelos mais caros.

Quem trabalha muitas horas seguidas esbarra nesse teto no meio de um sábado e fica parado. O pagamento por consumo cobra só o que você usar e chega pela API, que é a porta por onde um programa chama o modelo. Se o seu uso é irregular, ele sai mais barato.

Depois de escolher o modelo, confira o que o agente faz antes de devolver a tela. Agente é o programa de IA que recebe o seu pedido em português e escreve o código sozinho. O fluxo abaixo mostra a conferência que ele faz por conta própria, ligada por padrão e desligada só pela chave autoVerify.

O erro de iniciante é aceitar o print do agente como prova. O print mostra a tela no tamanho e no navegador do agente, que não são os do seu cliente. Abra a mesma tela no seu celular, navegue só pelo teclado e confira o contraste com os próprios olhos.

Sem direção no pedido, o modelo devolve a aparência média da web, porque ele copia o centro estatístico do que viu. A Anthropic chama isso de convergência distribucional. A direção completa, em quatro linhas, está na aula sobre a skill frontend-design, que é o manual lido pelo agente antes de desenhar.

Antes de aprovar qualquer tela, abra a tabela de preços do dia e escolha o modelo pelo tipo de tela: barato nas repetidas, caro só na vitrine. Confira se a checagem automática do agente está ligada. Depois, abra o resultado no celular, navegue só pelo teclado e confirme que o formulário envia antes de liberar o lote seguinte.

Conferir um teste de desempenho em três réguas antes de acreditar

A escolha por tela se apoia em números publicados, e cada um deles precisa aparecer em três réguas antes de sustentar uma decisão de contratação.

Um único teste, no mesmo mês, rendeu 88,8% na tabela do próprio fornecedor e 83,8% no leaderboard oficial independente. A diferença nasce da régua que mediu, não do modelo. Benchmark é um teste padronizado que dá nota a modelos, como a prova do Detran dá nota a motoristas.

Quem contrata uma ferramenta ou um freelancer por um percentual isolado, sem saber quem mediu, paga o preço do exagero do vendedor. Por isso vale separar o número que o vendedor publica do número que um terceiro mediu, e o roteiro para isso é curto.

O Terminal-Bench 2.1, que mede agentes trabalhando no terminal, é o exemplo mais limpo. Na tabela do próprio anúncio de lançamento, a OpenAI publica 88,8% para o GPT-5.6 Sol e 91,9% para o Sol Ultra.

Já o leaderboard oficial, que é a tabela pública mantida por quem criou o teste e só aceita resultados conferidos, foi lido em 15 de agosto de 2026. Ele não registra nenhuma submissão do Sol. O topo é o Claude Code com Fable 5, a 83,8%, e o melhor registro da OpenAI é o Codex com GPT-5.5, a 83,1%.

A avaliadora independente Artificial Analysis roda o mesmo teste com outro arnês, que é o programa encarregado de dirigir o modelo na prova, como o piloto na pista. Ela usa um computador isolado e descartável e repete cada item três vezes. O resultado muda de lado: 89,5% para o Sol e 89,1% para o Claude Opus 5.

Três números do mesmo teste, com o mesmo nome, no mesmo mês. A diferença vem da régua: o fornecedor mede na própria ferramenta, o leaderboard só aceita o que foi conferido e a avaliadora troca o arnês. O arnês decide quantas tentativas o modelo tem e que ferramentas pode usar; dois arneses honestos produzem dois números honestos e diferentes.

O SWE-Bench Pro mostra o efeito contrário na mesma tabela da OpenAI: o Sol resolve 64,6% dos casos contra 80,3% do Claude Mythos 5. Parar a leitura numa linha esconde que o mesmo modelo perde numa prova e ganha na outra. Leia a tabela inteira e pergunte qual linha se parece com o trabalho que você vai pedir.

Quatro perguntas cabem em qualquer número: qual teste e qual versão, quem submeteu, qual arnês e quando. O leaderboard responde as quatro numa linha só; o slide costuma responder uma. Um número de teste que ninguém mais roda só serve ao marketing do fornecedor. Peça as quatro respostas por escrito antes de qualquer reunião de proposta.

A versão seguinte do teste repete a lição. No Terminal-Bench 4.0, o GPT-6 Astra marca 57,9%, e essa fração bonita quer dizer 191 de 330 itens resolvidos. Um ajuste de configuração leva o número a 58,2%, ou 192 de 330, um item a mais.

No DeepSWE v1.1, os 74,1% são autodeclarados pela OpenAI, e o leaderboard público registra cerca de 74% sobre 113 itens. A casa decimal não sobrevive a uma medição independente. Peça sempre o denominador junto do percentual, porque 74% de 113 é bem menos firme do que parece.

Antes de repetir qualquer percentual, copie o nome exato do teste e ache a linha do modelo no leaderboard oficial. Anote também o arnês e a data que produziram esse número publicado, porque réguas diferentes mudam a leitura do mesmo teste.

Se a linha não existir, devolva a pergunta a quem apresentou o número. Se existir, compare com o trabalho que você vai pedir, e ignore o resto do slide.

Guia prático: o que uma biblioteca de prompts diz sobre os modelos de imagem e vídeo

Uma biblioteca grande de prompts parece um ranking de modelos, e não é. A biblioteca estudada em 07/10/2026 tem 648 prompts: 331 de imagem, 309 de vídeo e 8 de página web. A distribuição por modelo:

O que a distribuição diz: onde a curadoria investiu e quais modelos as pessoas estão usando para publicar. O gpt-image-2 sozinho é 44% da biblioteca. Diz também quanto texto cada modelo costuma receber: de 43 palavras no grok-imagine a 572 no seedance 2.0. Prompt de 572 palavras custa tempo de revisão e de ajuste a cada variação.

O que ela não diz: qual modelo é melhor para a sua marca, quanto cada um custa, que licença vale para o resultado, nem como cada um se sai com texto em português na imagem. E só 8 dos 648 prompts são de página: para construir site, a biblioteca mostra pouco. O curso estudado faz todo o trabalho no Claude Code e afirma que o método funciona também no Codex. Antes de escolher, teste o mesmo pedido nos candidatos.

Guia prático: o mapa de modelos de outubro de 2026 e o cache que corta a conta

Entre agosto e outubro de 2026 as três casas trocaram de geração: Claude 5.5, GPT-6 e Gemini 3.8. O guia mostra o que cada modelo e cada ferramenta de uso do computador faz, onde o preço muda de degrau e como o próprio portal reduz a conta do assistente de busca com cache de prompt. Você sai com o pedido pronto para montar o mesmo assistente numa página de campanha.