Análisis de inteligencia, rendimiento y precio de Claude Opus 5.5 (Max)
El nuevo modelo Claude Opus 5.5 de Anthropic está llamando la atención por ofrecer aproximadamente el doble de velocidad y la mitad del coste por tarea que Opus 5 en niveles altos de razonamiento, sin dejar de figurar entre los LLM propietarios más capaces. Los comentaristas cuestionan la utilidad real del modo de razonamiento “max”, muy caro, y reportan casos en los que el modelo sobrepiensa las tareas hasta chocar con límites de tokens, además de señalar que las configuraciones medium o high suelen ofrecer mejor valor. También surgen preocupaciones más amplias sobre la relevancia de los benchmarks, posibles regresiones de rendimiento con el tiempo y si los modelos propietarios de primer nivel pueden justificar sus precios frente a alternativas open-weight cada vez más competitivas.
Precios, coste y rendimiento
- Opus 5.5 Max cuesta aproximadamente la mitad por tarea y es alrededor del doble de rápido que Opus 5 con un esfuerzo “alto” similar, lo que muchos ven como una mejora sólida.
- Algunos señalan que Astra High sigue siendo ligeramente más barato que Opus 5.5 High; otros sostienen que modelos “de valor” como Luna ofrecen una relación coste-trabajo mucho mejor que los modelos frontier.
- Hay confusión y críticas por expresiones como “algo caro en comparación con modelos de precio similar” y “algo caro al compararlo con otros modelos de precio similar”, que se consideran sin sentido sin un ancla de rendimiento.
Modos de razonamiento y el sobrepensamiento ‘Max’
- Varios usuarios informan que el razonamiento Max/xhigh suele sobrepensar, alcanzar límites de tokens o herramientas, o no devolver nunca una respuesta (por ejemplo, fallando en “SVG pelican on a bicycle” tras consumir todo el presupuesto de pensamiento).
- El razonamiento Medium o High se considera ampliamente el punto óptimo práctico; algunos ven Max solo como “benchmaxxing”, no para trabajo real.
- Se informa que un mayor esfuerzo aumenta la verbosidad y los bucles autorreferenciales en lugar de la calidad, especialmente en tareas agénticas o de larga duración.
Benchmarks, evals y degradación del modelo
- Muchos desconfían de los benchmarks estáticos: los modelos pueden ajustarse para aprobarlos, rara vez reflejan el uso real y a menudo se ejecutan en condiciones idealizadas.
- Se piden evals continuas y aleatorizadas a lo largo del tiempo, incluidos rastreadores de degradación; un comentarista informa que Sol retrocedió hasta el nivel de Luna en pruebas internas.
- Algunos sospechan que los proveedores podrían “quitar la alfombra” después del lanzamiento; otros (incluido uno que se identifica como trabajando en un proveedor) atribuyen las regresiones percibidas sobre todo a la aleatoriedad y a las expectativas crecientes.
Experiencias de usuario y flujos de trabajo
- Varios usuarios prefirieron Opus 4.8 frente a 5 por seguir mejor las instrucciones y mantener la continuidad de las tareas; esperan que 5.5 solucione esto.
- El razonamiento Medium se usa comúnmente para codificación interactiva y revisión; High/Max se ve como despilfarrador e inestable.
- Se informa que algunos modelos sobrediseñan las soluciones, especialmente para tareas de infra o código; los usuarios intentan limitar el uso de herramientas o el esfuerzo de razonamiento.
- Debate sobre flujos de trabajo agénticos: algunos ejecutan con éxito agentes de larga duración (días) para corregir listas de errores; otros consideran que la autonomía prolongada es poco fiable para proyectos del mundo real mal definidos.
Reflexiones más amplias
- Algunos sienten que el progreso se está ralentizando y que los modelos están cerca de un techo de capacidad; otros señalan mejoras continuas pero incrementales.
- Persiste la tensión entre los modelos cerrados “mejores pero caros” y los modelos open-weight más baratos o “suficientemente buenos”, con predicciones de que lo “suficientemente bueno” dominará muchos casos de uso.