Claude Sonnet 5.5 发布:编码性能和 Opus 5.5不相上下 价格是后者一半

同价升级的重点,不是单个基准分数,而是修 bug、操作工具和制作文档时少等待、少迭代;结合官方演示看清它能做什么。

作者:Anthropic09-29 · 约 12 分钟

Anthropic 发布了 Claude Sonnet 5.5:Sonnet 5 的同价升级,也是 Opus 5.5 更快、价格更低的搭档。它要解决的痛点很实际——修一个 bug、改一组文件或做一份汇报,模型也许都能完成,但如果反复试错、调用工具和生成长篇中间结果,等待时间与整项任务的费用就会上升。Sonnet 5.5 希望让这些边界清楚的日常工作更快交付,同时把需要长期判断的开放任务留给 Opus。

这次发布的主要特点可以先记住四点:

  • 更快完成同一项任务。 Sonnet 5.5 与 Sonnet 5 的 API 单价相同;Anthropic 称它输出快 30% 以上、通常使用更少 token,在其测试中每任务成本最多低 30%。
  • 更会连续做编码工作。 提升不只体现在补代码,还体现在命令行操作、多文件修改、工具调用和反复迭代。
  • 更接近可交付的办公产物。 它能按材料和模板制作文档、幻灯片与表格,知识工作评测的部分得分已接近 Opus 5.5。
  • 可以按任务调节投入。 用 effort 档位在速度、费用和质量之间取舍;简单任务不必一律开到 Max。
Claude 官方的 Sonnet 5.5 发布短片。

下面按这四点展开:它到底快在哪里、能接哪些工作,以及怎么设置才划算。

同样的价格,为什么一件事做下来可能更省

先看两个容易混淆的价格。Sonnet 5.5 输入每百万 token 2 美元,输出 10 美元,缓存读取 0.20 美元、缓存写入 2.50 美元;Sonnet 5 也是同一档价格。与 Opus 5.5 相比,它的输入、输出和缓存写入单价是后者的一半,缓存读取则同为 0.20 美元。

API 计费项(每百万 token) Sonnet 5.5 Opus 5.5
输入 2 美元 4 美元
输出 10 美元 20 美元
缓存读取 0.20 美元 0.20 美元
缓存写入 2.50 美元 5 美元

但只比单价会漏掉更重要的一半。假设两个模型完成同一个修复,其中一个反复搜索、重写和调用工具,最终仍可能花得更多。Anthropic 的成本—得分图因此把横轴设为每次任务的实际成本,纵轴设为得分;同一个模型的 Low、Medium、High、Xhigh、Max effort 分别是不同的点。越靠左上,代表在这项评测里花更少的钱拿到更高的分数。

在几项评测中,Sonnet 5.5 用 Low 或 Medium effort 就超过了 Sonnet 5 的最佳成绩,而每任务成本约为后者的十分之一。到了高 effort,它有时接近 Opus 5.5 的得分,费用也逐渐接近。也就是说,升级的价值不只是“换个更聪明的模型”,而是让常规任务用较少投入达到可用质量;十分之一是这些评测中的结果,不是所有账单都会打这个折。

Claude 官方的并列演示:同一可视化任务中,两代模型从编写代码到出现运行画面的过程。

编码:从补一行代码,进到连续操作和完成任务

Sonnet 5.5 最醒目的数字是 Terminal-Bench 4.0 的 70.6%,Sonnet 5 为 10.3%。这项评测要求代理在命令行里完成多步骤专业任务,所以它反映的不是孤立地补一行代码,而是读环境、操作工具、修改、运行和收尾这一串动作。发布表中 Opus 5.5 为 66.4%;其脚注明确说这个 Opus 数字取自 Xhigh effort。Sonnet 在这个基准上领先,不等于它在所有复杂编码项目里都比 Opus 强。

其他两个编码基准对应不同工作。CursorBench 4.0 取自真实 Cursor 会话中的多文件、含糊任务,Sonnet 5.5 为 55.5%,Sonnet 5 为 34.1%,Opus 5.5 为 57.8%。FrontierCode 看代码变更能否不经人工修改就合并;Sonnet 5.5 的 Xhigh 结果是 52.1%,Opus 5.5 为 54.4%。三项测试合起来说明,它在读环境、使用工具、修改并交付变更这一整串工作上进步明显。

Sonnet 5.5、Sonnet 5、Opus 5.5 等模型的编码、知识工作和计算机使用评测汇总表
Claude 官方主题帖发布的完整评测表;不同测试的分数单位和条件各不相同,点击可放大。

真实产品测试更能说明这些能力如何用起来。Base44 在 118 次应用构建中记录到,Sonnet 5.5 的应用得分与 Opus 5 持平,平均只需 3.6 轮迭代,Opus 5 为 7.7 轮。Unity 的测试会重新打开项目并在运行时检查结果;它报告 Sonnet 5.5 完成了多步骤编辑器与编码任务中的 90%。Epic Games 提到游戏系统架构和多小时任务,CodeRabbit 则准备先迁移简单、中等难度的代码审查。这些是各家公司自己的测试和使用计划,不是同一张排行榜。

ClaudeDevs 的短视频给出另一个更小的例子:一个调度器让四个代理从不同位置并行尝试解谜。视频标注的是 10 次运行的中位数,Sonnet 5.5 在 10 秒、约 2.3 万 token、0.11 美元时完成;Sonnet 5 在 15 秒、约 2.8 万 token、0.15 美元时完成。差异不只在模型回答速度,还在整条工具调用链里走了多少步。

ClaudeDevs 官方并行代理解谜演示:画面同时记录时间、探索位置、工具调用、token 与费用。

文档、幻灯片和表格:从找材料走向成品

Anthropic 把 Sonnet 5.5 的另一重点放在知识工作:不是只回答“财报里有什么”,而是把材料读完、组织要点,再按指定格式做出可用文件。GDPval-AA 涵盖 44 种职业、九个行业的工作任务,Sonnet 5.5 得到 1844,Opus 5.5 为 1846,Sonnet 5 为 1449。长流程知识工作评测 AA-Briefcase v1.1 中,三者分别是 1811、1822 和 1359。两项分数显示,Sonnet 5.5 在这些任务上已非常接近 Opus 5.5。

发布页给了一个更直观的例子:把一家上市公司的季度财报材料、电话会记录和幻灯片模板交给模型,要求制作 10 页经营复盘;Anthropic 请的两位专家认为第一稿就能发送。这里的重点不是“会写幻灯片”,而是它能把找材料、提炼重点、遵循模板连成一项任务。Claude 官方主题帖还放出了沙丘网页的并列演示,让人看到它在视觉产物上的具体表现。

Claude 官方设计演示:两代模型根据同一提示制作“风塑造沙丘”的单文件网页。

实际团队看重的还包括“同样质量用了几步”。Slack 说未改提示词时,其离线 Slackbot 测试几乎全面优于 Sonnet 5,输出 token 少约 14%;Zendesk 称在数百个客服回复和升级案例中,工单处理快了 20%;Balyasny Asset Management 说,在其 2441 道金融任务的私有测试里,每答案约用 12.1 万 token,而 Sonnet 5 约用 49.7 万;Lovable 的编码评测则记录到工具调用少约三分之一、shell 运行约减半。Box 报告 2.4 倍的处理速度和少 12% 的总 token;Atlassian 预计 Rovo Agents 可提速最多 30%。这些数字来自不同公司的不同任务,意义是提示团队应测自己的“每件事成本”,不能加总或相互当作复现。

其他任务也有提升:Sonnet 5.5 在 Humanity’s Last Exam 得到 64.5%(使用工具),OSWorld 2.1 得到 80.1%(部分任务集),Chartography 看图表得到 61.6%(不使用工具);Sonnet 5 对应为 54.9%、57.0% 和 15.6%。这些分数指向更广的推理、电脑操作和读图能力,但它们不是同一种测试,不能相加成一个总分。

effort:先按任务调档,不要习惯性开 Max

effort 是模型在一项任务中投入多少推理与检查。Claude Code 和 Claude 应用默认 Medium,Claude Platform 默认 High。低档通常更快、更省;高档可以多检查,适合更难的任务,但投入增加也会拉高每任务费用。官方四张成本—得分图把这件事画得很清楚:蓝色的 Sonnet 5.5 在较低档位就能超过旧版不少结果;档位继续升高,得分和成本都向 Opus 靠拢。

FrontierCode 还出现一个值得记住的例外:Sonnet 5.5 在 Xhigh 得到 52.1%,开到 Max 反而是 46.2%。Anthropic 解释,Max 更常触发多代理代码审查;两个被检查的案例因此超时或改了任务范围外的代码。对修 bug、改文件这类有明确验收标准的工作,先从 Medium 或较低档位测起,结果不够再加投入,比一上来开 Max 更符合这次发布展示的成本优势。

查看四张官方成本—得分图:知识工作、CursorBench、FrontierCode、Terminal-Bench
AA-Briefcase 知识工作:各模型不同 effort 的得分与每任务成本曲线
AA-Briefcase:横轴是每任务成本,纵轴是知识工作得分。
CursorBench 多文件编码:各模型不同 effort 的得分与每任务成本曲线
CursorBench:低档 Sonnet 5.5 已高于旧版较高档位。
FrontierCode:Sonnet 5.5 在 Max 档的得分低于 Xhigh
FrontierCode:Max 不一定比 Xhigh 更好。
Terminal-Bench:各模型不同 effort 的终端编码得分与每次尝试成本曲线
Terminal-Bench:图中横轴是每次尝试成本,与其他图的每任务口径不同。

同一提示词,两代模型的网页作品有什么不同

发布页让 Sonnet 5 与 5.5 各用一个 HTML 文件完成三项可视化任务。静态图方便看清两边到达了哪一步;下方的原始动态程序还能看到代码生成和作品运行的过程。

400 只椋鸟群飞

Sonnet 5 的截图仍在写入代码(4520 token);Sonnet 5.5 在输出 4158 token 后,画面已有运行中的群飞效果。

Sonnet 5 的椋鸟群演示停在编写代码,界面显示 Writing 4,520 tokens
同一椋鸟群提示词下,Sonnet 5 的官方演示截图仍处于编写代码阶段。
Sonnet 5.5 的椋鸟群演示已显示群飞画面,界面显示 Output 4,158 tokens 和 Flying 12.5 s
Sonnet 5.5 的对应截图已有可见运行画面。

风塑造沙丘

旧版截图仍在写代码(2966 token);新版在输出 2720 token 后,呈现出多层线条沙丘与红日。

Sonnet 5 的沙丘演示停在编写代码,界面显示 Writing 2,966 tokens
沙丘任务中,Sonnet 5 的截图尚未显示运行结果。
Sonnet 5.5 的沙丘演示显示线条沙丘与红日,界面显示 Output 2,720 tokens 和 Running 7.6 s
Sonnet 5.5 的对应截图展示了绘制结果。

24 个小钟组成大钟

这一组的差别尤其直观:Sonnet 5 在写入 27,581 token 时仍停留在代码画面;Sonnet 5.5 输出 14,386 token 后,画面上的小钟指针已拼出大数字。

Sonnet 5 的小钟组成大钟演示停在编写代码,界面显示 Writing 27,581 tokens
小钟任务中,Sonnet 5 的截图仍在生成代码。
Sonnet 5.5 的小钟组成大钟演示显示指针拼成的数字,界面显示 Output 14,386 tokens 和 Running 20.9 s
Sonnet 5.5 的对应截图已有可见结果。

想看完整过程,可展开下面六个原始动态程序。旧版截图拍在编写过程中,并不意味着它最终做不出作品;这里展示的是这些官方演示在对应时刻的进度。

播放三组对照的六个原始动态程序

椋鸟群飞 · Sonnet 5

椋鸟群飞 · Sonnet 5.5

风塑造沙丘 · Sonnet 5

风塑造沙丘 · Sonnet 5.5

小钟组成大钟 · Sonnet 5

小钟组成大钟 · Sonnet 5.5

上线使用时,还会遇到哪些设置和限制

除了性能,Sonnet 5.5 还调整了安全处理。Anthropic 的约 1850 个自动化行为场景测试中,它在多数对齐、诚实和抗滥用指标上追平或优于 Sonnet 5;Opus 5.5 的整体结果仍略好。这说明新版通过了更严格的发布检查,但具体工作流仍需要照常设置权限和验收。

实际会遇到的变化有三类:普通找 bug、修 bug 不受网络安全回退影响,更高风险的网络安全请求则可能转到 Sonnet 5;生物领域沿用原有防护,少数正当请求可能被误拦;跨账号移动对话时,扩展后的 preserved thinking 会要求在新账号重新生成推理内容。对一般写代码和做文档的人,前两项可能不常出现;团队如果有安全研究或跨组织会话迁移,就需要提前测试。

哪些任务先换 Sonnet 5.5

先从输入、验收标准都清楚的任务试起:修一个可复现的 bug、按模板做经营复盘、批量处理客服工单。让 Sonnet 5.5 在 Medium 或较低 effort 跑一组真实样本,记录完成率、返工时间、工具调用、耗时和最终费用,再与 Sonnet 5 或 Opus 比。若目标不断变化、需要长期取舍,Opus 5.5 仍是 Anthropic 推荐的起点。

开发者可在 Claude Platform 使用模型 ID claude-sonnet-5-5,也可通过 AWS、Google Cloud 和 Microsoft Azure 使用;Anthropic 称它支持零数据保留。已经把 Sonnet 的 thinking 关闭的团队,迁移到 5.5 时还需按官方迁移指南改用 between_tools 设置。下一款面向高吞吐、成本敏感应用的 Haiku 5.5,发布页说将在随后加入家族;这里还没有可据以选型的实测数据。

Sonnet 5.5 的价值不是每个榜单都赢,而是让更多日常编码和办公任务不必动用 Opus,也能较快做出可交付的结果。最值得验证的不是单个分数,而是你自己的工作究竟少等了多久、少返工了几轮、少花了多少钱。

来源
Introducing Claude Sonnet 5.5Anthropic·查看主材料
本站说明
图像、视频与数据来自 Anthropic 发布页及其官方账号;客户测试按原出处标注。
↑ 正文结束
✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。

阅读原文 ↗
📮 新解读第一时间进邮箱

读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。