Anthropic发布Claude Sonnet 5.5，性能接近Opus 5.5

Anthropic 推出了 Claude Sonnet 5.5：它在人工智能分析智力指数（Artificial Analysis Intelligence Index）上得分 56，仅落后于 Opus 5.5（最高档）2 分，但单次任务输出token数是我们见过最高的。

全力模式下，Sonnet 5.5 比 Sonnet 5 高出 18 分，在智力指数上排第 2，仅落后于 Opus 5.5（最高档）。

Anthropic 给 Sonnet 5.5 的定价和 Sonnet 5 完全相同，按每百万缓存输入/输入/输出 token 计算，价格分别为 $0.2/$2/$10，但它单次任务输出的 token 数量更高，每个任务成本为 $7.60，比 Sonnet 5 的单次任务成本高约 50%。

要点：
➤ 在智能终端使用和知识工作上达到领先模型水平：在 Terminal-Bench 4.0 中，Claude Sonnet 5.5 达到 64%，而 Opus 5.5 和 GPT-6 Astra 为 60%。

在 AA-Briefcase（Elo分1811 vs 1822）、GDPval-AA（Elo分1844 vs 1846）和 AutomationBench-AA（总得分71% vs 70%）上，Sonnet 5.5 与 Opus 5.5 持平，不过为了达到这个性能，它明显使用了更多 token。

➤ 我们测过的 token 用量最高的模型：在全力模式下，也就是它性能接近 Opus 5.5 的设置，Claude Sonnet 5.5 每个智力指数任务使用约 19.3 万输出 token。

这是我们测量过的最高 token 用量，比 Opus 5.5（最高档）或 Sonnet 5（最高档）高约 60%，约是 GPT-6 Astra（最高档）的 7 倍。

➤ 定价维持在每百万输入/输出 token $2/$10，和 GPT-6 Sol 一致。按这个定价，Claude Sonnect 5.5 不在智力对单次任务成本的帕累托最优边界上。

在高努力等级，它落后于 Opus 5.5，而在低努力等级，GPT-6 Astra 或 Sol 配置可以更低成本实现同等性能。在这个基础上，高努力设置的竞争力最强，仅略微落后于 GPT-6 Sol 的智力得分，而单次任务成本实际上相同。

➤ 在事实知识和科学推理上落后于 Opus 5.5：作为一个更小体量级的模型，在 AA-Omniscience 事实知识测试中，Sonnet 5.5 仍然落后于 Opus 5.5。

事实准确率得分为 54%，而 Opus 是 66%，不过幻觉率更低（47% 对比 59%）。在 Humanity's Last Exam 和 SciCode 上，它也比 Opus 低约 6 分。

这些评估是在 Claude Sonnet 5.5 的预发布部署上进行的，Anthropic 发现这个版本有一个缺陷，它会降低结构化输出请求的响应质量。公开版本已经修复了这个问题，Anthropic 预计性能变化极小或略被低估，但我们很快会重新运行相关评估。

其他模型细节：
➤ 上下文窗口：100 万 token，支持图像和文本输入，和 Sonnet 5 相比没有变化。
➤ 定价：和 Sonnet 5 最新定价保持一致，每百万输入/输出 token $2/$10；缓存写入 $2.5，缓存读取 $0.2。
➤ 努力等级：五个等级（低、中、高、很高、最大）。智力指数评估在所有五个等级上进行，开启了 Anthropic 默认的降级 fallback。我们观察到，Sonnet 5.5 在智力指数约 0.1% 的任务中触发降级，主要在 TerminalBench 4.0，所有情况下都会降级到 Sonnet 5。