Anthropic 发布 Claude Sonnet 5.5，基准接近 Opus 5.5 且每任务成本最多降低 30%
Anthropic's Claude Sonnet 5.5 nearly matches Opus 5.5 on benchmarks while costing up to 30 percent less per task
Anthropic 发布 Claude Sonnet 5.5，输出速度提升超过 30%，因每任务消耗 token 更少，有效成本最多降低 30%，多项基准接近 Opus 5.5。
Anthropic 发布了 Claude Sonnet 5.5，这是其 Claude 5.5 家族中的第二个模型。它的输出生成速度提升超过 30%，每项任务成本最多降低 30%，并在多项基准测试中几乎追平 Opus 5.5。
Opus 5.5 专为需要审慎判断的复杂任务而打造。Sonnet 5.5 则面向定义明确的日常工作，例如修复 bug、撰写文档、制作演示文稿和创建电子表格。Anthropic 还宣布 Claude Haiku 5.5 将在未来几周内推出。该模型将专注于高吞吐量、低成本的使用场景。
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，后者拉开了最新一轮价格战。大致来说，Opus 略高于 Sol，Sonnet 高于 Luna，Fable 高于 Astra，不过 Anthropic 的整体收费更高。对应层级之间的性能差异小到足以让成本成为决定性因素。Haiku 可能帮助 Anthropic 缩小这一差距。
编程性能大幅跃升
据 Anthropic 称，Sonnet 5.5 与其前代之间的性能差距在编程方面最为显著。在用于测试智能体编程的 Terminal-Bench 4.0 上，Sonnet 5.5 达到 70.6%，而 Sonnet 5 为 10.3%。在重现 Cursor 编辑器真实编程会话的 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%）低两个百分点。
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，而每项任务成本约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 还比其前代更频繁地批量调用工具，从而减少了所需步骤数。
推理强度方面有一个奇怪的问题。在最高努力级别“Max”下，Sonnet 5.5 在 FrontierCode 上的得分实际上比在“Xhigh”下更差。Anthropic 表示，在最大努力下，该模型更频繁地触发一个代码审查功能，将工作拆分给多个子智能体。在某些情况下，这会导致超时或任务范围之外的更改，而这两者都会受到 FrontierCode 的惩罚。
知识工作几乎追平 Opus 5.5
在 OpenAI 开发的 GDPval-AA 知识工作基准测试中，Sonnet 5.5 得分为 1,844 分，该测试涵盖来自 44 个职业和 9 个行业的任务。这几乎追平 Opus 5.5（1,846），并比 Sonnet 5（1,449）高出约 400 分。按照 Anthropic 的数据，OpenAI 的 GPT-6 Sol 为 1,487 分。在视觉图表识别测试 Chartography 上，Sonnet 5.5 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 |
|---|---|---|---|---|---|
| 基于智能体的编程 | Terminal-Bench 4.0 | 70.6% | 10.3% | 66.4%¹ | — |
| 基于智能体的编程 | FrontierCode 1.1（Main） | 46.2%（Max）；52.1%（Xhigh）² | 42.4% | 54.4% | 49.3% |
| 基于智能体的编程 | 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（带工具） | 64.5% | 54.9% | 67.7% | — |
| 计算机技能 | OSWorld 2.1（部分评估） | 80.1% | 57.0% | 81.8% | — |
| 可视化图表识别 | Chartography（不带工具） | 61.6% | 15.6% | 64.4% | 53.6% |
¹ 对于 Opus 5.5，Terminal-Bench 4.0 显示的是“Xhigh”设置下的最高分。² Sonnet 5.5 在 FrontierCode 上“Max”的得分低于“Xhigh”。³ Sonnet 5.5 的数值来自一个预发布版本，其中一个此后已修复的 bug 可能影响了结构化输出。
早期测试者称 Sonnet 5.5 是更自然的对话伙伴，对设计有感觉。Anthropic 声称，该模型能出色地重做用户界面并执行幻灯片模板，结果几乎无需修饰。
Anthropic 还表示，Sonnet 5.5 是首个仅凭截图就能通关《宝可梦 红》的 Sonnet 模型。OpenAI 的 Astra 最近在游戏基准测试中展现了类似进展。这类任务在几年前还被视为难题，往往需要定制算法。如今，即便是一个产品家族中的中端模型也能应对。
同样的 token 价格，每项任务消耗更少 token
Sonnet 5.5 每百万 token 的价格与 Sonnet 5 相同：输入 token 2 美元，输出 token 10 美元，缓存读取 0.20 美元。Anthropic 称，由于该模型每项任务使用的 token 更少，实际成本最多可降低 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 token 价格 | Claude Opus 5.5 | GPT-6 Sol | Claude Sonnet 5.5 | GPT-6 Luna |
|---|---|---|---|---|
| 输入 token | 4 $ | 2 $ | $2 | $0.10 |
| 输出 token | $20 | $10 | $10 | $0.50 |
| 缓存读取访问 | $0.20 | $0.20 | $0.20 | $0.01 |
| 缓存写入访问 | $5 | $2.50 | $2.50 | $0.125 |
与 Anthropic 的其他模型和 OpenAI 的同类产品一样，Sonnet 5.5 提供可调节的 effort 设置，让用户在成本、速度与输出质量之间权衡。Anthropic 称，在低或中等设置下，Sonnet 5.5 已在多项基准测试中超越 Sonnet 5 的最佳成绩，而每项任务成本仅约为其十分之一。不过，为每项任务找到合适的 effort 级别，仍更像是一门艺术而非科学。
为更强大的模型新增网络安全防护措施
Claude Sonnet 5.5 现已在所有主流云平台上可用，包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。与 Opus 5.5 和 Sonnet 5 一样，Anthropic 以零数据保留的方式提供该模型。开发者可通过 Claude Platform 使用模型 ID“claude-sonnet-5-5”访问。
由于 Sonnet 5.5 在网络安全方面的能力远超其前代，Anthropic 首次为 Sonnet 模型添加了防护措施。涉及高风险网络安全任务的请求会被明显改道至 Sonnet 5。通过扩展的网络验证计划，合格专业人员可申请分级访问权限。
Anthropic 还添加了针对蒸馏攻击的安全分类器，与其最强大模型中使用的同类。这些措施是否真正有效，应在未来几个月内见分晓。如果中国实验室一直从此类攻击中获益，堵住这一途径可能会再次拉大与西方实验室的差距。
没有炒作的 AI 新闻——由人类精选
订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六次独家“AI Radar”前沿报告、完整档案访问以及评论区访问权限。
来源：The Decoder：AI News（RSS） · the-decoder.com