← 返回 2026-09-29 简报

Claude Sonnet 5.5在基准测试中几乎与Opus 5.5持平,且每任务成本最高降低30%

Anthropic's Claude Sonnet 5.5 nearly matches Opus 5.5 on benchmarks while costing up to 30 percent less per task

语音播报
摘要
事件:Anthropic发布Claude Sonnet 5.5,其基准测试表现几乎持平Opus 5.5,且每任务成本最高降低30%。 要点:编程性能大幅提升,CursorBench得分55.5%;知识工作GDPval-AA得分1844,仅落后Opus 2分; 影响:在同等价位下提供接近旗舰的性能,迫使OpenAI等竞争对手重新评估定价策略。

Anthropic发布了Claude Sonnet 5.5,这是其Claude 5.5系列的第二款模型。它的输出速度提高了30%以上,每项任务的成本降低了多达30%,并且在多个基准测试中几乎与Opus 5.5持平。

Opus 5.5专为需要谨慎判断的复杂任务而设计。Sonnet 5.5则针对定义明确的日常工作,如修复错误、编写文档、构建演示文稿和创建电子表格。Anthropic还宣布将在未来几周内发布Claude Haiku 5.5。该模型将专注于高吞吐量、低成本的用例。

凭借Fable、Opus和Sonnet,Anthropic已经拥有了与OpenAI的GPT-6 Astra、Sol和Luna相对应的产品,后者引发了最新的定价战。粗略来说,Opus略高于Sol,Sonnet高于Luna,而Fable高于Astra,尽管Anthropic的整体收费更高。匹配层级之间的性能差异足够小,成本最终可能成为决定因素。Haiku可以帮助Anthropic缩小这一差距。

编码性能大幅跃升

据Anthropic称,Sonnet 5.5与其前身之间最大的性能差距体现在编码方面。在用于代理式编码测试的Terminal-Bench 4.0上,Sonnet 5.5得分为70.6%,而Sonnet 5仅为10.3%。在重现Cursor编辑器中真实编码会话的CursorBench 4.0上,Sonnet 5.5得分为55.5%,而Sonnet 5为34.1%,仅比Opus 5.5(57.8%)低两分。

Anthropic表示,在FrontierCode 1.1的“High”设置下,Sonnet 5.5的得分比Sonnet 5高出十分之一左右,而每项任务的成本仅为后者的十五分之一。早期测试者称赞该模型理解代码库的速度之快。Sonnet 5.5也比其前身更频繁地批量调用工具,从而减少了所需的步骤数。

推理强度有一个奇怪的细节。在最高努力级别“Max”下,Sonnet 5.5在FrontierCode上的得分实际上低于“Xhigh”级别。Anthropic表示,在最大努力下,该模型更频繁地触发代码审查功能,将工作拆分为多个子代理。在某些情况下,这导致了超时或超出任务范围的变化,而FrontierCode会对这两者进行惩罚。

知识工作几乎与Opus 5.5持平

在GDPval-AA上(这是一个由OpenAI开发的涵盖44个职业和九个行业的知识工作基准测试),Sonnet 5.5得分为1,844分。这几乎与Opus 5.5(1,846分)持平,比Sonnet 5(1,449分)高出约400分。根据Anthropic的数据,OpenAI的GPT-6 Sol得分为1,487分。在视觉图表识别测试Chartography上,Sonnet 5.5的得分从15.6%跃升至61.6%。

类别 基准测试 Sonnet 5.5 Sonnet 5 Opus 5.5 GPT-6 Sol
基于代理的编程 Terminal-Bench 4.0 70.6% 10.3% 66.4%¹ —
基于代理的编程 FrontierCode 1.1 (Main) 46.2% (Max); 52.1% (Xhigh)² 42.4% 54.4% 49.3%
基于代理的编程 CursorBench 4.0 55.5% 34.1% 57.8% —
知识工作 GDPval-AA v2.1³ 1,844 1,449 1,846 1,487
知识工作 AA Briefcase v1.1³ 1,811 1,359 1,822 1,483
跨学科思维 Humanity's Last Exam (with tools) 64.5% 54.9% 67.7% —
计算机技能 OSWorld 2.1 (partial evaluation) 80.1% 57.0% 81.8% —
视觉图表识别 Chartography (without tools) 61.6% 15.6% 64.4% 53.6%

¹ 对于Opus 5.5,Terminal-Bench 4.0在“Xhigh”设置下显示最高分。² Sonnet 5.5在FrontierCode上的得分在“Max”级别低于“Xhigh”级别。³ Sonnet 5.5的数值来自一个预发布版本,其中可能影响结构化输出的一个bug后来已被修复。

早期测试者将Sonnet 5.5描述为更自然的对话伙伴,具有设计感。Anthropic声称,该模型能够很好地重写用户界面并执行幻灯片模板,以至于结果几乎不需要微调。

Anthropic 还表示,Sonnet 5.5 是首个仅凭截图就能通关《宝可梦 红》的 Sonnet 系列模型。OpenAI 的 Astra 最近在基准测试中也展示了类似的游戏进展。就在几年前,这类任务仍被视为极具挑战性,通常需要定制算法。如今,同一产品家族中的中端模型也能胜任这些任务。

相同的代币价格,每项任务消耗的代币更少

Sonnet 5.5 每百万代币的价格与 Sonnet 5 相同:输入代币为 2 美元,输出代币为 10 美元,缓存读取为 0.20 美元。Anthropic 表示,由于模型每项任务使用的代币更少,有效成本可降低高达 30%。输出生成速度也提升了 30% 以上。这些说法仍需独立测试来证实。

每百万代币价格
Claude Opus 5.5
GPT-6 Sol
Claude Sonnet 5.5
GPT-6 Luna

输入代币
4 美元
2 美元
2 美元
0.10 美元

输出代币
20 美元
10 美元
10 美元
0.50 美元

缓存读取访问
0.20 美元
0.20 美元
0.20 美元
0.01 美元

缓存写入访问
5 美元
2.50 美元
2.50 美元
0.125 美元

与 Anthropic 的其他模型及 OpenAI 的对应产品一样,Sonnet 5.5 提供可调节的努力程度设置,让用户在成本、速度与输出质量之间进行权衡。Anthropic 表示,在低或中等设置下,Sonnet 5.5 已在多项基准测试中超越 Sonnet 5 的最佳得分,且每项任务的成本仅为后者的约十分之一。然而,为每项任务找到合适的努力程度仍是一门艺术而非科学。

针对更强能力模型的新网络安全保障措施

Claude Sonnet 5.5 现已在所有主要云平台上提供,包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。与 Opus 5.5 和 Sonnet 5 一样,Anthropic 提供零数据保留的模型选项。开发者可以通过 Claude Platform 使用模型 ID “claude-sonnet-5-5” 访问该模型。

由于 Sonnet 5.5 在网络安全方面的能力远超其前身,Anthropic 首次为 Sonnet 系列模型增加了安全保护措施。涉及高风险网络安全任务的请求会被明显重定向至 Sonnet 5。通过扩展的“网络验证计划”,合格的专业人士可以申请分级访问权限。

Anthropic 还针对蒸馏攻击添加了安全分类器,这与它在其最强模型中使用的攻击类型相同。这些措施是否真正有效,将在未来几个月内变得清晰。如果中国实验室曾从这类攻击中受益,关闭这一途径可能会再次拉大与西方实验室之间的差距。

无炒作的人工智能新闻 – 人工策划

订阅 THE DECODER,享受无广告阅读、每周 AI 通讯、每年六次的独家“AI Radar”前沿报告、完整档案访问权限以及评论版块访问权。

立即订阅

本条评分 10.8 score-v1
  • 来源权威 8
    注册表 priority=8(The Decoder)
  • 时效 2.752
    发布 4.5 小时前,衰减到 2.75/3.0
  • 多源印证 0
    只有 1 家在报(无旁证)
  • 社区信号 0
    无社区数据(本管线走 RSS,HN 的 hn_fetcher 未接入)

首次收录 · 2026-09-29 · 10.75 分

← 返回简报