Matthew Berman 评测 Claude Sonnet 4.6：基准、计算机使用与安全

摘要

30 秒看懂

Matthew Berman 评述 Anthropic 于 2026 年 2 月发布的 Claude Sonnet 4.6，涵盖价格、测试版一百万 token 上下文窗口、计算机使用和基准比较。他认为这是一款强大的知识工作模型，并指出它在特定测试中接近或超过 Opus 的情况。他还讨论了提示注入，以及 Anthropic 按 ASL-3 标准部署模型和对能力阈值的评估。结果只适用于相应模型和基准，售货机图表展示的是模拟结果。

1计算机使用能力提升Anthropic 的图表报告，Sonnet 4.6 在 OSWorld-Verified 上得分 72.5%，Sonnet 4.5 为 61.4%。
2提示注入风险网页内容可能包含旨在改变智能体行为的指令。Anthropic 报告抵抗能力有所改善，但测试不能保证模型免受攻击。
3编程与工具基准发布表格报告，与 Sonnet 4.5 相比，Terminal-Bench、SWE-bench Verified 和 MCP-Atlas 的成绩有所提升。
4模拟售货机业务Vending-Bench Arena 显示，经过超过 350 个模拟日后，Sonnet 4.6 的最终余额更高。
5安全阈值与不确定性Anthropic 表示模型未跨越两项指定阈值，但有把握地排除跨越这些阈值正变得更加困难。

要点建议

Sonnet 4.6 发布时的 API 起始价格与 Sonnet 4.5 相同，并提供测试版一百万 token 上下文窗口。
Anthropic 报告编程、计算机使用和工具使用评测有所提升，但结果因基准而异。
即便模型在抵御提示注入的测试中有所进步，提示注入仍然值得关注。
售货机比较展示的是模拟余额，而非实际经营利润。
Anthropic 按 ASL-3 标准部署模型，并判断其未跨越 AI R&D-4 或 CBRN-4 阈值，同时说明了评估中的不确定性。

主题Anthropic Foundation Models Benchmarks Computer use AI Safety

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

主力模型发布

Berman 介绍 Sonnet 4.6、发布价格、测试版上下文窗口及其宣称的定位，并解读计算机使用能力的比较。

Anthropic 推出了 Claude Sonnet 4.6，将其定位为主力模型，并报告它在编程、工具使用、智能体工作和计算机使用方面有所提升。2026 年 2 月发布时，它提供测试版一百万 token 上下文窗口，并成为 Claude Free 和 Pro 计划的默认模型。我很期待这样一款面向实际知识工作的快速模型。

幻灯片 1 / 9发布价格与上下文窗口发布页面列出了 API 起始价格，并说明一百万 token 上下文窗口处于测试阶段。

公布的 API 起始价格为每百万输入 token 3 美元、每百万输出 token 15 美元，与 Sonnet 4.5 的起始费率相同。Anthropic 强调一致性和遵循指令的能力，以及通过 Claude Cowork、Claude Code 等产品制作演示文稿和处理电子表格等任务。

幻灯片 2 / 9OSWorld 分数随时间变化图表比较 Sonnet 的计算机使用成绩，并注明改用 OSWorld-Verified。

Anthropic 的 OSWorld 图表显示，Sonnet 4.5 在 OSWorld-Verified 上得分 61.4%，Sonnet 4.6 为 72.5%。该基准要求智能体在计算机环境中完成实际任务。同一图表中较早的数据点使用的是原版 OSWorld，而非后来的验证版，因此整个时间序列的测量方式并不完全相同。

计算机使用风险

他解释提示注入，并概述 Anthropic 对抵抗能力的说法。他指出让智能体访问敏感信息可能带来的后果。

计算机使用功能让模型查看屏幕，并通过虚拟鼠标和键盘操作，而不必为每项任务依赖专门的连接器。这让它用途广泛，但也会面临提示注入：隐藏在模型读取材料中的恶意指令可能试图改变其行为。

Anthropic 表示，其安全评估显示 Sonnet 4.6 抵抗提示注入的能力明显优于 Sonnet 4.5，表现与 Opus 4.6 相近。这些是评测结果，并不能保证攻击不会成功。我认为，让智能体访问个人数据或执行具有现实后果的操作时，用户应考虑这一风险。

幻灯片 3 / 9提示注入讨论Anthropic 介绍了风险，并报告其评估中的抵抗能力有所改善。

基准与模拟售货机

发布表格比较了编程、工具、推理和办公工作。售货机模拟展示的是特定的长期任务，而非真实利润记录。

Anthropic 的基准表格报告，终端编程成绩从 Sonnet 4.5 的 51.0% 升至 4.6 的 59.1%，SWE-bench Verified 从 77.2% 升至 79.6%。OSWorld-Verified 从 61.4% 升至 72.5%。工具使用测试中，零售场景有所提升，电信场景则与之前接近。

幻灯片 4 / 9编程与工具使用基准表格比较 Sonnet 和其他模型在特定智能体评测中的表现。

表格还报告，MCP-Atlas 大规模工具使用成绩从 43.8% 升至 61.3%。在 Humanity’s Last Exam 中，不使用工具的分数从 17.7% 升至 33.2%，使用工具时从 33.6% 升至 49.0%。我原本预计借助工具时的提升会更大，但这就是展示的结果。

智能体金融分析的报告分数为 63.3%；在 GDPval-AA 办公任务比较中，表格显示 Sonnet 4.6 的 Elo 为 1,633，高于 Opus 4.6 的 1,606。这些都是特定基准的结果。我认为它们说明 Anthropic 正瞄准现实知识工作，尽管 Opus 在许多其他项目中领先。

幻灯片 5 / 9办公与推理分数表格下半部分展示了 GDPval-AA Elo、ARC-AGI-2 等结果。

图表报告 ARC-AGI-2 从 13.6% 升至 58.3%，Opus 4.6 为 68.8%。GPQA Diamond 和视觉推理也有所提升，多语言问答则大致不变。不同测试衡量不同能力，不能说明每种用途都会获得相同幅度的改善。

Vending-Bench Arena 模拟经营售货机业务：管理库存、采购和补货，以改善余额。展示的模拟经过 350 多天后，Sonnet 4.6 的余额约为 5,500 美元，4.5 约为 2,000 美元。Anthropic 将新版模型的结果归因于早期投资容量、后期转向盈利；这张图是模拟结果，并非真实售货机的利润记录。

产品更新与安全评估

Berman 介绍产品功能、ASL-3 部署标准、GDPval-AA 和系统卡中的能力阈值。他最后讨论了衡量高级能力的不确定性。

发布资料还介绍了自适应推理、测试版 API 上下文压缩，以及网络搜索、代码执行、记忆和工具调用的更新。Anthropic 说 Claude in Excel 插件支持 MCP 连接器。这些是发布时的产品说明，可用情况可能变化。

系统卡称 Sonnet 4.6 按 Anthropic 的 AI 安全等级 3 标准部署。我介绍 Anthropic 的各个等级，以帮助理解安全措施和风险类别。按该标准部署描述的是公司的风险管理框架，不能证明模型具备所有危险能力，也不能证明所有风险都已消除。

GDPval-AA 由 Artificial Analysis 使用 OpenAI 的 GDPval 数据集中的任务开发，涵盖九个行业的 44 种职业。这些任务模拟文档、幻灯片、图表和电子表格等专业工作成果。Sonnet 4.6 在这项特定比较中的 Elo 高于 Opus 4.6，支持我认为它面向知识工作的看法，但不能证明它在所有专业任务中都更好。