Claude Sonnet 5.5 是什麼？基準測試與更新重點

Anthropic 在 9 月 28 日推出 Claude Sonnet 5.5。這是一個中型的大型語言模型，定位是每天都要用、價格又壓得住的工作夥伴。它在 Artificial Analysis 的智能指數拿到 56 分，排到第 2 名，只落後自家旗艦 Claude Opus 5.5 兩分。

對一般使用者來說，這次的看點不在「最強」，而在「夠強又便宜」。Sonnet 5.5 的定價跟上一代 Sonnet 5 一模一樣，卻把分數從 38 拉到 56。這種幅度，讓它成為很多人升級時會先考慮的選擇。

Claude Sonnet 5.5 這次改了什麼

先講最實際的一點：拉高分數不用加價。Sonnet 5.5 的 API 價格維持每百萬詞元輸入 2 美元、輸出 10 美元，跟 Sonnet 5 相同，也跟 OpenAI 的 GPT-6 Sol 對齊。

努力等級（effort）分成五檔：低、中、高、極高、最高。跑基準測試時，Artificial Analysis 全部用預設的安全回退設定。所謂回退，是模型在少數情況下自動退回 Sonnet 5，這種情形在整個測試裡只出現約 0.1%，集中在 Terminal-Bench 4.0。

另一個沒動的數字是上下文視窗，維持 100 萬詞元，可吃圖片與文字。對需要塞長文件、長程式碼的人來說，這個容量沒縮水就是好消息。

Claude Sonnet 5.5 基準測試成績怎麼看

分數好看，但要看它是用什麼代價換來的。

在 Terminal-Bench 4.0 這個測代理操作終端機的項目，Sonnet 5.5 拿 64%，比同代 Sonnet 5 高出 50 個百分點，也略勝 Opus 5.5 與 GPT-6 Astra 的 60%。科學研究流程的 Terminal-Bench-Science 拿 53%，排在 GPT-6 Astra 與 Opus 5.5 之後。

知識工作方面，AA-Briefcase 拿 1811 Elo（Opus 5.5 是 1822），GDPval-AA 拿 1844 Elo（Opus 5.5 是 1846），AutomationBench-AA 拿 71%（Opus 5.5 是 70%）。三項幾乎追平旗艦。

代價藏在詞元用量。在最高努力設定下，Sonnet 5.5 每解一個智能指數題目要吐出約 19.3 萬個輸出詞元，是 Artificial Analysis 量過最高的數字，比 Opus 5.5 和 Sonnet 5 高出約六成，約為 GPT-6 Astra 的七倍。換算成每題成本約 7.6 美元，比 Sonnet 5 貴了將近一半。

為什麼詞元用量會影響你的帳單

「每題成本」比「每百萬詞元單價」更貼近真實開銷。單價一樣，不代表總花費一樣。

打個比方，兩家計程車每公里收費相同，但一台繞路多跑幾公里。最後你付的錢，取決於跑了多遠，不是牌價。Sonnet 5.5 就是那台跑得比較遠的車。它在最高努力下把性能推到接近 Opus 5.5，但一路上吐出的詞元也更多。

所以如果你跑的是大量重複任務，比如批次分類、客服回覆、程式碼審查，就該留意總成本，而不是只看單價表。反過來說，低、中、高三檔努力設定會省下不少詞元，只是性能會落在 GPT-6 Sol 的高努力、極高努力、最高努力之後。

挑努力等級，本質上是在「答案品質」和「每題花費」之間找平衡。

Claude Sonnet 5.5 適合誰用

先講適合的。

寫程式、跑自動化流程、處理長文件摘要的人，會覺得它划算。它在代理式終端操作和知識工作上的表現接近旗艦，但名義上是較小一級的模型。對於預算敏感、又想吃到接近頂規效果的團隊，這是一個合理的中間點。

需要精深事實知識或科學推理的人，要多想一下。在 AA-Omniscience 的事實準確度上，Sonnet 5.5 拿 54%，Opus 5.5 拿 66%；不過它的幻覺率較低，47% 對比 Opus 5.5 的 59%。在 Humanity's Last Exam 與 SciCode 上，它也比 Opus 5.5 低約 6 分。

還有一點要提。這批基準數字是在公開版之前的部署上測的，Anthropic 發現那個版本有個會拖慢結構化輸出回應的錯誤。公開版已修正，Anthropic 認為影響很小、甚至表現可能被略微低估。Artificial Analysis 表示會再重跑相關測試。也就是說，眼前的數字還有微調空間。

Anthropic Claude 的定價與選擇邏輯

把 Sonnet 5.5 放進整條產品線看，選擇其實不複雜。

要極致性能、不在乎帳單的，選 Opus 5.5。要性價比、效能接近旗艦的，選 Sonnet 5.5。同樣價位的 GPT-6 Sol 則是一個對照組：在高努力區間，Sol 能用更少詞元交出同等性能。開發者要做的，是依照自己跑的努力等級，挑那個真正划算的。

Anthropic 這次的算盤很清楚。它沒有降價，而是把中型模型的性能往上頂，讓「便宜」和「夠強」不再互斥。對開發者來說，決策點從「哪個最強」變成「哪個在我要跑的努力等級上最划算」。同一件事，換個問法，答案就不一樣。

想試 Claude Sonnet 5.5 該怎麼開始

這個模型沒有獨立的手機 App，得透過 API 或 Anthropic 的開發者介面來用。想取得試用管道，步驟大致是這樣。

1. 到 Anthropic 的開發者平台申請 API 金鑰，確認帳號已開通付費額度。
2. 下載官方 SDK 或相容的客戶端，安裝到你的開發環境。
3. 選定努力等級，建議先從「中」起步，跑幾個真實任務感受一下詞元消耗。
4. 接上模型後送出第一批測試請求，觀察回應品質與延遲。
5. 對照同一個任務在 Sonnet 5 與 Sonnet 5.5 上的輸出品質與花費，算出每題成本。
6. 依結果決定要不要調高努力等級，或改用其他模型。

要留意的是，詞元用量高的模型，帳單會隨任務量放大。跑批次任務前，先在少量樣本上估算總成本，比事後看帳單再回頭檢討要省事。API 金鑰屬於敏感憑證，記得妥善保管，別寫進公開的程式碼或設定檔。

要不要用 Claude Sonnet 5.5

如果你已經在用 Sonnet 5，這次升級門檻不高，分數進步也很明顯。如果你在評估要不要從別的模型跳過來，先想清楚自己跑的是哪一類任務：重自動化、重代理操作的，值得試；要極深事實與科學推理的，旗艦仍是更穩的選擇。

這類工具的版本更新很快，選型時別只看排行榜上的單一分數，把每題成本、努力等級、你的實際任務型態一起放進來看，結論通常會更貼近真實需求。使用前也別忘了看清資料處理與隱私條款，尤其是會送進模型的內容，先確認符合自己的合規要求。