Anthropic正式发布Claude Sonnet 5.5。在Artificial Analysis智能指数中，该模型得分为56分，仅落后于Opus 5.5 (max) 2分，位居第二。尽管性能大幅提升，但其单次任务输出的Token数量创下新高，导致实际使用成本显著增加。
性能跃升与高昂的Token消耗
在“最大努力”（max effort）模式下，Claude Sonnet 5.5的智能指数得分较前代Sonnet 5提升了18分。然而，为实现这一性能，模型每个任务平均消耗约19.3万个输出Token，这是目前测得的最高值。这一数字比Opus 5.5 (max) 或Sonnet 5 (max) 高出约60%，更是GPT-6 Astra (max) 的约7倍。
Anthropic维持了与Sonnet 5一致的定价策略：每百万缓存输入、输入和输出Token的价格分别为0.2美元、2美元和10美元。但由于Sonnet 5.5单次任务输出的Token量更大，其每次任务的平均成本约为7.60美元，较Sonnet 5高出约50%。
基准测试表现
在代理式终端使用和知识工作领域，Sonnet 5.5已达到顶尖水平：
- Terminal-Bench 4.0：得分为64%，与Opus 5.5和GPT-6 Astra持平，较Sonnet 5 (max) 提升50个百分点。
- 其他基准：在AA-Briefcase、GDPval-AA和AutomationBench-AA中，Sonnet 5.5的表现与Opus 5.5相当，但消耗了显著更多的Token。
- 科学推理：在Terminal-Bench-Science榜单中得分为53%，紧随GPT-6 Astra和Opus 5.5之后。
值得注意的是，作为较小规模的模型系列，Sonnet 5.5在事实知识和科学推理方面仍落后于Opus 5.5。在AA-Omniscience测试中，其事实准确性得分为54%（Opus为66%），但在幻觉率控制上更优（47% vs 59%）。在“人类最后考试”和SciCode基准中，它也落后Opus约6个百分点。
性价比分析
在当前定价下，Claude Sonnet 5.5处于“智能vs单次任务成本”帕累托前沿之外。在高努力级别下，其性能略逊于Opus 5.5；而在低努力级别下，GPT-6 Astra或Sol配置能以更低成本提供等效性能。相比之下，其高努力设置最具竞争力，在智能指数上仅微弱落后于GPT-6 Sol，且单次任务成本基本持平。
其他技术细节
- 上下文窗口：支持100万Token，兼容图像和文本输入，与Sonnet 5保持一致。
- 努力等级：包含低、中、高、极高、最大五个等级。评估中启用了默认回退机制，约0.1%的任务（主要集中在Terminal-Bench 4.0）回退至Sonnet 5。
- 版本修复：早期预发布版本存在一个影响结构化输出质量的缺陷，已在公开发布版中修复。Anthropic预计修复后性能变化极小或略有提升。
更多详细对比数据可访问：Artificial Analysis模型页面