Anthropic 已发布 Claude Sonnet 5.5：它在 Artificial Analysis Intelligence Index 上得分 56，仅落后 Opus 5.5（max）2 分，但每任务输出 Token 数是我们见过的最高

在 max effort 下，Sonnet 5.5 比 Sonnet 5 提升 18 分，并在 Intelligence Index 上位列第 2，仅次于 Opus 5.5（max）。Anthropic 将 Sonnet 5.5 的定价与 Sonnet 5 保持一致，为每 100 万缓存输入/输入/输出 token $0.2/$2/$10，但它每任务输出的 Output Token 数更高，每任务成本为 $7.60（比 Sonnet 5 的每任务成本高约 50%）

关键要点：

➤ 在 agentic 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（1811 对 1822 Elo）、GDPval-AA（1844 对 1846 Elo）和 AutomationBench-AA（71% 对 70% 头条分数）上，Sonnet 5.5 与 Opus 5.5 达到持平，尽管实现这一成绩的 token 使用量显著更高

➤ 我们测量到的最重 token 使用：在 max effort 下，其性能接近 Opus 5.5，Claude Sonnet 5.5 每个 Intelligence Index 任务使用约 193k Output Tokens。这是我们测量到的最高 token 使用量，比 Opus 5.5（max）或 Sonnet 5（max）高约 60%，约为 GPT-6 Astra（max）的 7 倍

➤ 定价仍为每百万输入/输出 token $2/$10，与 GPT-6 Sol 一致。按此定价，Claude Sonnet 5.5 位于 Intelligence 对 Cost per Task 帕累托前沿之外。在高 effort 水平下，它落后于 Opus 5.5，而较低 effort 下 GPT-6 Astra 或 Sol 配置能以更低成本提供同等性能。在此基础上，high effort 设置最具竞争力，在 Intelligence 上以几乎相同的 Cost per Task 略微落后于 GPT-6 Sol

➤ 在事实知识和科学推理上落后于 Opus 5.5：作为更小级别的模型，Sonnet 5.5 在 AA-Omniscience 中的事实知识上仍落后于 Opus 5.5。它的事实准确率为 54%，而 Opus 5.5 为 66%，不过幻觉率更低（47% 对 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 发现其存在一个 bug，可能会降低使用结构化输出的请求的响应质量。该问题已在公开发布版中修复，Anthropic 预计变化很小或性能略微被低估，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，与 Sonnet 5 相同

➤ 定价：与 Sonnet 5 最新的每 100 万输入/输出 token $2/$10 相同；缓存写入 $2.5，缓存读取 $0.2

➤ Effort 设置：五种（low、medium、high、xhigh、max）。Intelligence Index 评估在全部五种设置下运行，并启用了 Anthropic 的默认回退。我们看到 Sonnet 5.5 在整个 Intelligence Index 中约 0.1% 的任务中发生回退，主要是在 TerminalBench 4.0 中，所有情况下都回退到 Sonnet 5。