Anthropic发布Claude Sonnet 5.5

Anthropic将Claude Sonnet 5.5宣传为更便宜的编码冠军：它在Terminal-Bench 4.0上得分为70.6%，优于Opus 5.5的66.4%，远超Sonnet 5的10.3%，同时每令牌成本减半——每百万2美元/10美元，对比Opus 5.5的每百万4美元/20美元^[1]。Anthropic及其企业合作伙伴将此视为明确胜利：得益于更少的工具调用，输出速度快达30%，每项任务成本降低最多30%^[2]。但这一宣传存在一个漏洞。独立基准测试公司Artificial Analysis发现，在最大推理强度下，Sonnet 5.5在每个Intelligence Index任务中生成了约19.3万个输出令牌——这是该公司对任何模型测得的最高值，比Opus 5.5完成相同任务所需多出约60%^[3]。在此强度层级，“价格减半”的计算大幅缩水：相比Opus 5.5，每项任务多消耗约60%的令牌严重削弱了Sonnet 5.5的每令牌价格优势，即使其名义费率仍仅为Opus 5.5的一半^[4]。

发布后最有价值的发现并非来自Anthropic自身的材料，而是开发者几乎立即形成的工作流模式：使用Opus 5.5进行开放式推理规划，而将定义清晰的实施步骤委托给Sonnet 5.5。这种分工方式与Cursor对该模型的基准测试结果一致——在评估真实编码会话的CursorBench上，Sonnet 5.5的得分从低强度时的35.8%上升至最大强度时的55.5%，仅次于Opus 5.5，表明其效用高度依赖于任务分配的推理预算^[5]。对于范围明确、定义清晰的任务，低或中等强度设置似乎足以使Sonnet 5.5既更便宜，又在多个早期用户间流传的非正式对比测试中，质量达到甚至优于同等低强度下的Opus 5.5——这直接挑战了“Sonnet 5.5只是简化版Opus”的叙事。不过，并非所有独立测试都持相同观点：在更开放的生成性任务中，将Sonnet 5.5与Opus 5.5及竞品模型并列比较时，Opus仍被视为更全面的执行者，表明编码基准测试的胜利并不能自动延伸至所有类型任务。

Sonnet 5.5是首款搭载前沿级网络防护机制的Sonnet级别模型，此前此类机制仅用于Anthropic最强大的模型，包括旨在阻止模型自身推理过程被提取的分类器^[1]。独立报道指出，此举是为了防范更快、更便宜的编码模型被滥用^[6]。实际上，早期用户报告称这些防护机制会出现误判，将诸如检查数据源、更改密码或执行例行安全审计等良性操作误识别为对抗性探测。这类误拒行为对正在评估是否将敏感工作流接入新模型的安全与IT团队而言，构成了真实的运营成本。

尽管在编码和代理能力方面有所提升，Sonnet 5.5并不能全面取代Opus 5.5。Artificial Analysis测量发现，其在奖励广泛知识和严谨推理的任务上明显落后于Opus 5.5：事实准确性得分为54%，低于Opus 5.5的66%；在Humanity's Last Exam和SciCode上的得分也低约六个百分点^[3]。Anthropic自身的基准测试显示，两者在现实职业任务（GDPval-AA）和计算机使用（OSWorld 2.1）上得分接近，表明差距主要集中在事实回忆和科学推理类别，而非整体能力^[2]。