Anthropic 发布 Claude Sonnet 5.5：终端编程得分从 10.3% 跳到 70.6%，价格没涨

数字里最扎眼的是终端编程这一类。官方公布的 Terminal-Bench 4.0 上，Sonnet 5.5 得 70.6%，Sonnet 5 是 10.3%，差出近七倍；作为参照，官方在同一张表里给出的 Opus 5.5 在 Xhigh 档位下是 66.4%。CursorBench 4.0 这一类模糊、跨文件、来自真实 Cursor 会话的任务上，Sonnet 5.5 得 55.5%，Sonnet 5 是 34.1%，Opus 5.5 是 57.8%。FrontierCode 1.1 主集上，Sonnet 5.5 在 Max 档得 46.2%、Xhigh 档得 52.1%，Opus 5.5 是 54.4%，官方同表列出的 GPT-6 Sol 是 49.3%。官方自己的结论是务实的：在某些评测上，Sonnet 5.5 在 Max 档可以接近 Opus 5.5，但基准分数只反映能力的一个侧面，在需要持续判断的复杂开放式工作上，Opus 5.5 依然明显更强。

知识工作这一类更能说明它想抢的是谁的活。官方表格里，GDPval-AA v2.1 这个覆盖 44 种职业真实工作场景的基准上，Sonnet 5.5 得 1844，Sonnet 5 是 1449，Opus 5.5 是 1846，官方同表列出的 GPT-6 Sol 是 1487。AA-Briefcase v1.1 这个长周期知识工作基准上，Sonnet 5.5 是 1811，Sonnet 5 是 1359，Opus 5.5 是 1822。也就是说，和自家旗舰的差距被压到了个位数分级别的两分。计算机操作上，OSWorld 2.1 的部分完成口径下 Sonnet 5.5 是 80.1%，Sonnet 5 是 57.0%，Opus 5.5 是 81.8%。图表识别这一类偏视觉的任务上，Chartography 无工具口径下 Sonnet 5.5 是 61.6%，Sonnet 5 是 15.6%，Opus 5.5 是 64.4%，GPT-6 Sol 是 53.6%。

成本这一段是这次发布真正的卖点，也是最容易被误读的地方。官方强调的不是降价，而是完成同样工作所需的 token 更少：价格表维持 Sonnet 5 的水平不变，但官方称在测试中单任务成本最多降低 30%。更细的说明在准确率对成本的图表里：在若干基准上，Sonnet 5.5 用 Low 或 Medium 档就能超过 Sonnet 5 的最好成绩，而单任务成本只有它的约十分之一；Terminal-Bench 4.0 上，Medium 档（Claude 应用里的默认档）就远超 Sonnet 5 的最好成绩而成本不到十分之一；CursorBench 4.0 上，Low 档就超过了 Sonnet 5 的最好成绩；AA-Briefcase 上，Medium 档的性能优于 Sonnet 5 最好成绩而成本约为九分之一。官方的使用建议也顺势更新了：Sonnet 5.5 最适合跑低档位，与 Opus 5.5 形成互补，档位调高后成本会接近，这时该评估的就该换成 Opus 5.5。

安全和可迁移性上有两条值得记的细节。官方说，在自动化行为审计中，Sonnet 5.5 在多数对齐指标上优于或持平 Sonnet 5；由于网络安全能力与 Opus 5 相当，它成为首个上线时就配备网络安全防护与回退机制的 Sonnet 模型，方式与公司为最强模型开发的方案一致，生物防护则与 Sonnet 5 相同。两套防护都只针对一小组高风险请求，常规软件开发与大多数生命科学工作不受影响。工程侧的具体信息也给了：模型 ID 是 claude-sonnet-5-5，支持 1M token 上下文与 128K 最大输出，已在 AWS、Google Cloud 和 Microsoft Azure 等平台上线，并支持零数据保留；如果你此前是以 thinking 关闭的方式运行 Sonnet，迁移到 Sonnet 5.5 前需要改用 between_tools 设置。Haiku 5.5 将在未来几周加入这个家族，Snowflake Cortex AI 也已宣布以公开预览形式提供 Sonnet 5.5。

官方还主动披露了三条对自己不利的细节，这点值得单独说。第一，FrontierCode 上 Sonnet 5.5 在 Max 档的得分低于 Xhigh 档，官方解释是 Max 档下模型更频繁地调用 Claude Code 的代码评审技能，把评审拆给许多子代理，在 Cognition 检查的两个案例里这导致了超时、或者超出任务范围的额外改动，因此得分更低。第二，Artificial Analysis 的 GDPval-AA 与 AA-Briefcase 是在预发布部署上跑的，官方发现那个部署有一个可能降低结构化输出类请求质量的 bug，官方判断影响很小并且会低估 Sonnet 5.5 的表现，该 bug 已经修复。第三，官方提到 OpenAI 最近修复了一个影响 GPT-6 Sol 图像理解能力的 bug，因此 Artificial Analysis 的 AA-Briefcase v1.1、GDPval-AA v2.1 分数与 Surge AI 的 Chartography 分数可能尚未更新到最新模型版本。把自家弱点与对手的测量时差都写进发布页，比只放最好看的那一列更有参考价值。

最后说一句这类发布该怎么读。把它放回 9 月下旬这一串动作里，Anthropic 的节奏很清楚：9 月 22 日发布旗舰 Opus 5.5（每百万输入 4 美元、输出 20 美元），一周后的 9 月 28 日发布中端的 Sonnet 5.5，价格砍半而知识工作基准只差两分，Haiku 5.5 还在路上。路透社点出的背景是，这家公司正在为计划中的 IPO 扩张产品线，同时其首席执行官 Dario Amodei 本月早些时候还呼吁全球 AI 社群放慢发布新能力的节奏。这两件事放在一起并不矛盾：把前沿能力往下压到中端价格，本身就是一种把风险与普及绑在一起的商业选择。对使用方来说，真正要做的动作不是追问哪家模型更强，而是把自己手上的任务按难度和延迟要求重新分一遍档，因为价格表没变、档位能效变了的这种更新，改变的是你的成本结构，不是你的使用习惯。