Claude Sonnet 5.5 发布：比肩 Opus 5.5

今天凌晨，Anthropic 发布了 Claude 5.5 系列的第二个模型 Sonnet 5.5，看 bench... 恐怖如斯

Terminal-Bench 4.0：各思考档位的成绩与单次成本

它的价格和 Sonnet 5 一样，每百万 token 输入 2 美元、输出 10 美元，价格是 Opus 5.5 的一半

在速度方面，Sonnet 5.5 也是遥遥领先，比 Sonnet 5 快 30% 以上。由于完成同样的工作用的 token 更少，官方测试里单个任务的成本最多能再低 30%

按官方的定位，Opus 5.5 负责需要持续判断的复杂开放任务，Sonnet 5.5 更擅长边界清楚的日常任务、修 bug，以及做文档、幻灯片和表格，对设计也很有眼光

面向大批量、低成本场景的 Haiku 5.5 会在未来几周推出

Sonnet 5.5 完整 benchmark

Sonnet 5.5 在很多工作中，几近追平 Opus 5.5，也还是第一个只看截图就通关《宝可梦 红》的 Sonnet 模型

编程

Terminal-Bench 4.0：各思考档位的成绩与单次成本

Terminal-Bench 测的是在命令行里完成多步骤专业任务。每个点对应一个思考档位（effort），档位越高，模型想得越久，单次成本越高，分数通常也越高；越靠左上，同样的钱换来的能力越多

Claude 应用里默认的 Medium 档位，Sonnet 5.5 已经远超 Sonnet 5 各档位的最好成绩，单次成本不到后者的十分之一。开到 Max 档位后，它的曲线在最右端越过了 Opus 5.5，得到 70.6%。GPT-6 Sol 在这项测试上没有公开成绩，图中用的是 GPT-5.6 Sol

FrontierCode 1.1：代码改动能否直接合入

FrontierCode 看的是代码改动能不能不经人工修改直接合入，超出任务范围的改动即使写得好也会扣分。High 档位下，Sonnet 5.5 比同档位的 Sonnet 5 高 10 个百分点，单次成本约为十五分之一

FrontierCode 上还有个细节：Sonnet 5.5 在 Xhigh 档位得到 52.1%，开到 Max 反而降到 46.2%。原因是 Max 档位下它更常调用 Claude Code 的代码审查 Skill，把审查拆给一批子 Agent 去做。Cognition 检查的两个案例里，这导致了超时，或者改动超出了任务范围

CursorBench 4.0：来自真实 Cursor 编程会话的任务

CursorBench 的任务取自真实的 Cursor 编程会话。Sonnet 5.5 最好成绩 55.5%，和 Opus 5.5 的 57.8% 相差约两个百分点

早期测试者提到，Sonnet 5.5 读懂一个代码库的速度很快。在同题对照里，它比 Sonnet 5 更多地把工具调用合并成一批，步骤更少，成本也更低。客户的反馈里有不少具体数字：

• Epic Games：在系统设计审计和数据流审查中达到了更高一档模型的质量要求；处理了数万行游戏系统架构代码，能跑数小时的任务，响应依旧很快，提示词也不用写得那么细

• Base44：在 118 个真实应用构建中，产出质量与 Opus 5 持平；平均每个应用迭代 3.6 次，Opus 5 要 7.7 次。它的工具调用失败次数在所有对比模型中最少，也很少中途停下来问用户，构建不容易卡住

• Unity：任务要在运行时检查、改动真的生效才算完成，Sonnet 5.5 的大部分工作通过了这项检查；在多步骤 Unity 编辑器与编程测试中完成了 90% 的任务

• CodeRabbit：在不同复杂度的代码审查里判断都好于 Sonnet 5，输出 token 明显更少，Sonnet 5 爱频繁联网搜索、token 用量高的毛病都没有了。简单和中等难度的审查会先切换过去

• Lovable：思考步骤更少也更稳，编程测试里工具调用少了三分之一，shell 运行次数约减半

• SpaceXAI：CursorBench 4.0 拿到 55.5%，仅次于 Opus 5.5

• Every：写代码快，迭代时能很快调整方向，需要的时候也能长时间工作；它继承了 Opus 5.5 写作更自然的一部分改进，用起来更有意思

• Creator：由 Opus 5.5 定好游戏的架构和整体框架后，可以放心交给 Sonnet 5.5 去实现

AA-Briefcase v1.1：知识工作质量与单任务成本

GDPval-AA 用 44 种职业、9 大行业的真实任务测试模型。Sonnet 5.5 与 Opus 5.5 几乎持平，比 Sonnet 5 高约 400 分；AA-Briefcase 也是类似的格局。电脑操作和图表识别接近 Opus 5.5，在长周期的知识工作上明显强于 Sonnet 5 和 GPT-6 Sol

测试者还提到一些不太好量化的变化：聊起来更自然，也更懂设计，会给用户界面多做一层打磨，能按幻灯片模板做出几乎不用改的演示文稿。Anthropic 做过一次内部测试：给它一家上市公司的季度财报材料、电话会记录和一份幻灯片模板，让它做一份 10 页的经营回顾。两位专家评审后认为，初稿可以直接发出去

企业客户的结果：

• Slack：不改任何提示词，离线 Slackbot 评测几乎全部好于 Sonnet 5，步骤更少，输出 token 少约 14%

• Zendesk：用数百个真实客服场景测试回复和升级处理，错误决策比目前生产环境里的 Claude 模型更少，工单处理快了 20%

• Balyasny Asset Management：在 2441 个金融任务上（问答、信息抽取、分析、预测）成绩高于 Sonnet 5，每个回答约用 12.1 万 token，Sonnet 5 要 49.7 万；在参与对比的 7 个模型里，大批量工作流的质量成本比最好

• Box：会回到源文档复核数据，找出了 Sonnet 5 漏掉的错误；准确率更高，速度快 2.4 倍，总 token 少 12%

• Atlassian：Rovo Agent 每月为客户执行数百万次操作，换成 Sonnet 5.5 后运行速度最多比 Sonnet 5 快 30%

三款模型的 API 定价

Sonnet 5.5 每百万 token 输入 2 美元、输出 10 美元，缓存写入 2.5 美元，都是 Opus 5.5 的一半；缓存读取两者相同，都是 0.2 美元。定价和 Sonnet 5 一样，但完成同样的工作用的 token 更少，所以实际花得更少

在多项测试中，Sonnet 5.5 用 Low 或 Medium 档位，就能超过 Sonnet 5 的最好成绩，单任务成本约为十分之一

官方的说法是，Sonnet 5.5 在较低档位时与 Opus 5.5 配合得最好，这时它单任务成本更低；开到较高档位，它能以相近的成本拿到相近的成绩

为了展示速度，官方让 Sonnet 5 和 Sonnet 5.5 用同一句提示词各写一个单文件网页。第一个是“用一个 HTML 文件做 400 只椋鸟的群飞”：

椋鸟的群飞

Sonnet 5.5 输出 4158 个 token 就写完了，鸟群已经飞了一阵，Sonnet 5 还在写代码，最后用了 4649 个 token

第二个是“风吹沙丘”，Sonnet 5.5 用了 2720 个 token，Sonnet 5 用了 3088 个：

风吹沙丘

思考档位可以在成本、速度和质量之间调节。Claude Code 和 Claude 应用默认是 Medium，Claude Platform 默认是 High。档位低，回答更快、token 更少，适合日常工作；档位高，Claude 会想得更久，检查也更仔细

安全方面，这是第一个配备网络安全防护的 Sonnet，日常开发里的找 bug、修 bug 不受影响，高风险的网络安全任务会转回 Sonnet 5 处理

上线

Sonnet 5.5 已经在所有平台上线，包括 AWS、Google Cloud 和 Microsoft Azure，API 模型名是 claude-sonnet-5-5，和 Opus 5.5、Sonnet 5 一样支持零数据留存

如果你之前关闭思考来用 Sonnet，迁移前需要换成新的 between_tools 设置，它会继续关闭前置思考

〔待插入视频：sonnet-5.5-launch-film.mp4，官方发布短片，13 秒〕