Claude Sonnet 5.5：编程代理的快速研究助手

我原本以为自己不会太关注 Claude Sonnet 5.5。Opus 5.5 已经成为我的默认模型，上一版 Sonnet 又让我失望。但新模型在某个特定角色上给了我惊喜，尽管单看基准测试并不容易看出这一点。

我认为这次发布提供了一个价格较低的 Anthropic 选择，可以用于原本可能考虑 OpenAI GPT-6 Sol 的工作。这是我对产品定位的解读。我不是说 Sonnet 应当自动取代每位开发者使用的 Opus。

Anthropic 将 Sonnet 5.5 描述为表达更清楚、速度更快的模型，适合范围明确的日常任务，与负责更复杂工作的 Opus 互补。它表示新模型比 Sonnet 5 快 30% 以上，在自家测试中每个任务最多便宜 30%。这是与上一代 Sonnet 的比较，不能证明它总是比 Opus 便宜。

公告称，Sonnet 5.5 在 Terminal-Bench 4.0 上得分为 70.6%，Sonnet 5 为 10.3%；它还仅凭截图通关了 Pokémon Red。这些结果很醒目，但我仍怀疑能否用单个基准概括模型的实际能力。

从主观体验看，这个新小模型比前代更像 Anthropic 大模型的快速、低能力版本。我推测训练方式有所变化，但无法确定原因。与 Sonnet 5 相比，它的表达也更清楚，协作起来更顺畅。

Anthropic 公布的 Sonnet 5.5 价格为每百万输入 token 2 美元、每百万输出 token 10 美元、每百万缓存输入 token 0.20 美元。公司称它通常比 Sonnet 5 完成相同工作所需的 token 更少。这些是发布时显示的价格，任务实际成本取决于工作负载。

缓存读取价格让它与 Opus 5.5 的比较变得复杂。画面中的表格显示，Sonnet 的普通输入、输出和缓存写入约为 Opus 的半价，但两者每百万缓存读取均为 0.20 美元。反复读取可能占代理工作负载的很大一部分。

我还将其与 Fable 5.1 比较：后者其他 token 价格更高，但引用的缓存读取价格为每百万 0.25 美元。在我自己的例子中，缓存读取占 Sonnet 账单的比例远大于 Fable；实际比例会随请求和缓存模式变化。

因此，我见过相似的编程任务中 Sonnet 与 Opus 成本相当，甚至更贵。Artificial Analysis 指数中，Sonnet 的 max 档运行费用也很高。这些比较不能证明 Sonnet 总是更贵，但说明我们应关注整个任务的账单。

我尤其对 max 推理强度持谨慎态度。我把较低档位理解为允许不同的推理预算，并推测 max 会让模型即使面对简单任务也花很长时间思考。但我展示的例子不能证明其确切内部机制。

在我的一些基准测试中，从 x-high 升至 max 的 token 增幅远大于从 low 升至 x-high，有时表现还下降。我怀疑过度思考可能让模型反复质疑自己。这是对这些测试的观察和解释，并不是说 max 总会更差。

画面中的 Artificial Analysis 比较显示，Sonnet max 每项指数任务成本为 7.60 美元，Astra max 为 3.26 美元；Sonnet 的较低档位更便宜。我的实际建议是针对自己的任务测量不同档位的质量和成本，不要假定最高档一定最好。

其他基准曲线也显示，某些情况下 x-high 胜过 max。由于我看到的性能跌幅很大，我也不建议在这些 Anthropic 模型上使用 low；相较 Sonnet，我认为 Opus 的 medium 更能接受。这些是根据所选基准得出的偏好，并非适用于所有任务的设置。

CursorBench 提供了另一个角度：画面中的 Sonnet 输出 token 用量很高。单价便宜可能会被更多的 token 生成量抵消。因此除了分数与成本曲线，我也想看 token 总量。

OpenRouter 报告 Sonnet 每秒约输出 94 个 token，Opus 约 70 个；我使用订阅时观察到的数字分别约为 150 和 100。但在我的鱼缸游戏任务中，Sonnet 花了 43 分钟，Opus 花了 36 分钟：每秒吞吐量与总生成量是两回事。

我查看了 Which AI 展示站的前端示例。其中一个把页面做成模拟应用，另一些则有我不喜欢的可读性、层级或动画选择。我没有全面探索 Sonnet 的设计能力边界；这些只是范围有限的主观样本。

视觉设计方面，我总体仍偏好 Fable 5.1；给出指令后，Opus 也更容易按要求调整。以我的经验，做类似工作时 Opus 有时价格相近。那么我为什么仍对 Sonnet 感到兴奋？

我不打算把 Sonnet 当作一般编程任务的主力模型。相反，我认为较大模型可以把它当子代理，委派范围明确的研究：调查代码库、确认行为或为计划准备信息。值得比较的是具体的委派任务。

为了探索这一用途，我让多个模型检查 T3 Code 中一个规模很大的 Orchestrator V2 拉取请求，并提出如何将变更拆成更小的部分。这是一项分析任务，考查理解和规划，而不只是编写补丁。

我的自动评审组认为 Astra 的计划最好。画面中的比较显示，Sonnet 得分 7.81、成本 1.24 美元，略高于 Opus 的 7.71 分和 2.40 美元。不过 Sonnet 在四天后测试了更大版本的拉取请求，评分也单独进行，因此这不是完全受控的直接比较。

在这个例子中，Sonnet 约五分钟完成审计，Opus 花了近两倍时间，Astra 花了近三倍时间。对于继续工作前需要快速调查的较大代理而言，这很有前景。但它仍只是一次由我自己的评审组评估的测试。

我还在尝试用 Rust 重写 TypeScript 编译器。Opus 帮助项目突破了阻碍，却留下大量旧的生成代码，于是我要求清理。我在一个监控任务中一度不解：为什么 Sonnet 没有报告删除的代码？

错误在我：我打开了错误的任务，而那个任务先前的上下文一直是数字。在那样的上下文中，回答比我最初以为的更合理。明确询问后，我发现从开始录制起大约删除了 160 万行代码。

在鱼缸游戏比较中，Sonnet 首次构建约花 16.15 美元，Opus 运行约花 17.07 美元。但 Opus 运行还用了 Fable 5.1 子代理，所以这不是两个单模型之间的严格比较。在这个例子中，Sonnet 的输入 token 用量超过三倍。

生成结果本身是我见过的最好的鱼缸游戏演示之一。一些单独的 3D 模型不如 Opus 的版本，但鱼、珊瑚和海草都能清楚辨认，也很讨喜。游戏的移动和机制在我看来手感不错。

我说游戏在我的笔记本上以约每秒 120 帧运行，不过视频本身无法传达完整帧率。我尤其喜欢鱼的动画和外星对手。一次演示并不能全面评估任何模型的游戏开发能力。

模型用了约 40 分钟生成游戏。按 API 价格，我估计首次运行约花 16 美元；我的订阅成本不同。这些数字描述的是这次尝试，不保证在其他环境重现时也有相同成本。

根据我自己的 200 美元 Claude 订阅账号，我估计每周用量按 API 价格折算约为 2300 美元，30 天接近 10000 美元。这是个人用量比较，不是现金、保证额度或普遍的订阅权益；限制可能不同。

直接处理日常编程任务时，我仍偏好 Opus。不过在我的测试中，用 Sonnet 子代理做有针对性的调查既快又经济。我打算试着让 Opus 将代码库研究和验证委派给它，再审查结果。

我的结论是，这给 Anthropic 提供了跨模型档位配合的有用工具，也在我录制时对 OpenAI 形成了压力。竞争格局和价格可能迅速变化；更长久的启示是围绕自己在意的具体工作和总成本比较模型。