Anthropic发布Claude Sonnet 5.5，试图把接近旗舰Opus 5.5的能力压缩进价格更低、适合高频调用的日常Agent模型。其API单价仍为每百万输入／输出Token 2美元和10美元，但官方称输出速度提高30%以上，完成典型任务所需Token减少，使单项任务成本最多下降30%。官方测试中，它在Terminal‑Bench 4.0取得70.6%，高于Sonnet 5的10.3%和Opus 5.5的66.4%；职业任务GDPval‑AA也以1844 Elo接近Opus的1846。不过，“半价Opus”并不是完整结论：Artificial Analysis发现，Sonnet 5.5在最高推理强度下平均每题生成约19.3万输出Token，是其测过最耗Token的配置，单题成本反而比Sonnet 5高约50%；CodeRabbit的真实代码审查测试也显示，Sonnet 5.5虽然比上一代快约一倍，却仍会漏掉Opus能够发现的高难度问题。因此，它更像一款适合明确、可重复任务的新主力模型，而不是对Opus的全面替代。
文章作者、来源：Anthropic
Anthropic把Sonnet重新定位为日常Agent主力
Sonnet 5.5是Claude 5.5系列的第二款模型。与一周前发布、面向复杂开放式任务的Opus 5.5不同，Anthropic将它定位为处理边界清晰、需要大量重复运行的日常工作：修复程序错误、审查代码、调查资料，以及生成文档、演示文稿和电子表格。
模型支持文字与图像输入，提供100万Token上下文，可在Claude网页和移动端、Anthropic API、AWS、Google Cloud及Microsoft Azure中使用。API名称为claude-sonnet-5-5。Anthropic没有公布参数量、模型架构、训练数据和训练算力，因此无法判断提升具体来自基础训练、后训练、推理策略还是Agent工具链优化。
它与Opus之间的区别并不只是“能力弱一些、价格便宜一些”。Anthropic希望形成新的模型分工：Opus负责问题定义不完整、需要持续判断的复杂任务；Sonnet则快速执行已经明确的工作，并通过较低成本扩大调用次数。
70.6%对10.3%，是最醒目也最需要谨慎理解的数据
Sonnet 5.5在Anthropic公布的Terminal‑Bench 4.0测试中得到70.6%，而Sonnet 5只有10.3%，甚至高于Opus 5.5的66.4%。该基准要求Agent在命令行环境中完成多步骤专业任务，能够反映代码编写、终端操作和工具使用之间的配合。
其他项目的提升没有如此夸张，但仍然明显。CursorBench 4.0从Sonnet 5的34.1%升至55.5%，距离Opus 5.5的57.8%约两个百分点；带工具的Humanity’s Last Exam从54.9%提高到64.5%；OSWorld 2.1电脑操作从57.0%升至80.1%，接近Opus的81.8%。
在职业知识任务GDPval‑AA中，Sonnet 5.5获得1844 Elo，Opus 5.5为1846；在长时间知识工作评测AA‑Briefcase中，两者分别为1811和1822。Anthropic由此认为，部分边界明确的专业工作已经不必默认调用旗舰模型。
不过，这些数字不能简单合并成“Sonnet已经超过Opus”。不同项目使用的推理强度并不完全相同，而且Anthropic明确表示，在需要长期维持判断、处理开放式目标的任务中，Opus仍然明显更强。
一个有意思的反例来自FrontierCode。Sonnet 5.5在Xhigh推理强度下取得52.1%，提高到Max后反而降至46.2%。Anthropic解释说，模型在Max模式中更频繁地启动多个代码审查子Agent，有两次因此超时或修改了任务范围之外的代码，最终被评测判为失败。
这个结果说明，更多推理和更多Agent并不必然带来更好答案。模型可能因为检查过度、扩大任务范围或消耗完时间预算而失分。
每Token没有降价，为什么官方称任务成本低30%
Sonnet 5.5的公开价格与Sonnet 5相同：每百万输入Token 2美元、输出Token 10美元、缓存写入2.5美元、缓存读取0.2美元，分别是Opus 5.5对应价格的一半。
Anthropic所谓“单项任务最多便宜30%”，并不是API价目表下调，而是模型完成同一工作时需要的步骤和Token更少。官方称其生成速度提高30%以上；Slack在内部测试中观察到输出Token减少约14%，Atlassian称Agent速度最多提高30%，Lovable则报告工具调用减少约三分之一、Shell运行次数约减半。
一家资产管理公司在2441项金融问答、抽取、分析和预测任务上测试时，Sonnet 5.5平均每项使用约12.1万Token，而Sonnet 5约为49.7万。由于这些都是合作伙伴的私有测试，外界无法检查任务难度、提示词和完整输出，但结果共同指向一个变化：新模型较少反复搜索、重复读取资料或进行过长的内部推理。
这对于Agent尤其重要。传统聊天中，一次多输出几百Token影响有限；长期Agent却会重复读取上下文、调用工具和修正结果，一步的冗余可能在几十轮后放大成显著的时间与费用差异。
最高推理强度揭示了另一种成本真相
Artificial Analysis的独立测试给Sonnet 5.5最高推理配置打出56分，在其综合智能指数中仅落后Opus 5.5的58分。
但达到这一成绩的代价很高：Sonnet 5.5平均每项测试生成约19.3万输出Token，是该机构测量过的最高水平，比Opus 5.5 Max和Sonnet 5 Max高约60%，约为GPT‑6 Astra Max的七倍。其估算单题成本达到7.60美元，比Sonnet 5高约50%。
这与Anthropic“任务成本最多下降30%”并不直接矛盾。官方结论主要描述典型工作负载和较低推理强度；Artificial Analysis测量的是为了追求能力上限而开启Max的情况。
两组结果共同说明，推理强度已经成为模型产品的一部分。Sonnet 5.5在Low或Medium模式下可能提供极高的性价比；如果为了追赶Opus而把推理强度推到Max，它虽然每Token更便宜，却可能因为生成数量过多而失去成本优势。
Artificial Analysis还发现，Sonnet 5.5的事实知识准确率约为54%，低于Opus的66%；科学推理项目也落后约六个百分点。所谓“接近Opus”主要成立于Agent终端操作和部分知识工作，不能外推到所有能力。
真实代码审查中，速度优势成立，旗舰差距也仍然存在
CodeRabbit使用真实开源项目中的已知错误进行了一组发布日测试。
在13个较难的代码审查案例中，开启推理的Sonnet 5.5找出6个问题，高于Sonnet 5的4个；两者有效评论精度分别为41.2%和40.0%。但Opus 5.5标准模式找出8个，Max模式找出10个，说明复杂审查任务中的差距仍然明显。
在另一组涉及44个真实Pull Request的测试中，Sonnet 5.5平均每次审查需要6分33秒，Sonnet 5则为13分31秒。前者生成的评论少24%，琐碎意见只有上一代的约三分之一；按公开价格计算，核心模型调用平均约0.46美元，而Sonnet 5约为1.16美元。
不过，这组44个PR的完整错误覆盖评分在文章发布时尚未完成，因此目前只能确认它更快、输出更少，不能确认少写的评论是否遗漏了更多真实问题。13个高难案例的样本也很小，CodeRabbit自己提醒，足以观察方向，却不足以确定普遍排名。
更合理的模型分工是：Sonnet 5.5负责对每一个PR进行快速常规审查；涉及安全、核心架构或漏掉错误代价很高的变更，再升级给Opus或人类专家。
视觉设计开始成为通用工作模型的卖点
Anthropic还特别强调了Sonnet 5.5的视觉设计能力。官方演示让Sonnet 5和5.5分别在单个HTML文件中制作400只椋鸟群飞、风塑沙丘和由24个小钟组成的大钟。新模型生成速度更快，动画、层次和界面完成度也更高。
它还能依据模板生成演示文稿。Anthropic在一项内部测试中提供某家上市公司的季度业绩材料、电话会文字稿和十页幻灯片模板，两名专家认为Sonnet 5.5的第一版可以直接发送。
这些依然属于厂商选择的展示案例，不能代表模型能够稳定理解每套企业模板。复杂图表的数据准确性、品牌规范和引用来源仍需人工检查，但它反映了模型竞争的新方向：不只生成正确内容，还要尽量交付接近成品的界面和文档。
安全能力提高，也意味着部分请求会被旧模型接管
Sonnet 5.5是首款在发布时采用旗舰级网络安全防护的Sonnet模型。Anthropic称，其网络安全能力已经接近Opus 5，因此普通漏洞修复仍可正常进行，但更高风险的网络安全请求会被透明转交给Sonnet 5。
公司还在约1850种情景中测试误导用户、违背用户利益、协助高风险滥用和突破环境边界等行为。官方称，新模型在多数指标上持平或优于Sonnet 5，并且是所有Claude模型中最少主动试探容器边界的一个。
不过，这些主要是Anthropic的内部自动化评测，不能视为对现实环境风险的完整证明。公司自己也承认，没有任何一组测试能够发现全部失败模式。
Sonnet 5.5还是首款加入反蒸馏分类器的Sonnet，并扩大了“保留思考内容”机制，防止不同账户之间转移推理上下文。对普通开发者影响有限，但部分跨账户迁移Claude Code对话的工作流需要调整。
真正的变化不是排行榜第一，而是“够强的模型”开始成为默认选择
Sonnet 5.5并没有公开新的模型架构，也没有全面超过Opus。它更重要的意义，是把过去需要旗舰模型处理的大量工作，移到了更快、单位Token价格减半的中档模型上。
对于每天运行数千次的客服、代码审查、资料调查和文档生产系统，决定能否部署的通常不是单项最高分，而是每项任务需要多少步骤、多少Token、等待多久，以及错误是否能够被升级处理。Sonnet 5.5的价值恰好集中在这些指标上。