摘要
Anthropic 于 2026 年 9 月 28 日发布的 Claude Sonnet 5.5 相比其前代 Sonnet 5 实现了代际飞跃。在 Terminal-Bench 4.0 代理编码基准测试中，Sonnet 5.5 根据 Anthropic 自身评估得分为 70.6%（Artificial Analysis 独立评估为 64.0%），而 Sonnet 5 仅为 10.3%——提升约七倍 [1]。该模型在 GDPval-AA v2.1 等知识工作基准测试上与 Claude Opus 5.5 接近（Elo 1,844 对 1,846），但每 token 成本仅为 Opus 5.5 的一半（$2/$10 每 1M 输入/输出 token，对比 Opus 5.5 的 $4/$20）[1]。Artificial Analysis 的独立验证显示，Sonnet 5.5 与竞争对手之间的实际差距比 Anthropic 厂商发布数据所暗示的要小 [1]。由于发布日期极近，该模型尚未列入 LMSYS/LMArena 或 Hugging Face Open LLM Leaderboard，也尚未公布任何传统学术基准测试分数（MMLU、GPQA、HumanEval）[1]。
关键规格
| 属性 | 值 |
|---|---|
| 发布日期 | 2026 年 9 月 28 日 |
| API 模型 ID | claude-sonnet-5-5 |
| 上下文窗口 | 1,000,000 tokens |
| 最大输出 | 128,000 tokens |
| 定价（输入） | 每 1M tokens $2.00 |
| 定价（输出） | 每 1M tokens $10.00 |
| 自适应思考 | 默认开启（最低档：between_tools） |
| effort 级别 | Low、Medium、High、XHigh、Max |
| 输出生成速度 | 比 Sonnet 5 快 30% 以上 |
| 单任务成本（典型 effort） | 比 Sonnet 5 低最多 30% |
| 网络安全保护 | 是（首款 Sonnet 模型具备此功能） |
| 防蒸馏保护 | 是 |
自适应思考系统会根据任务复杂度动态调整推理深度，五个 effort 级别使开发者能够精细控制成本与性能之间的权衡。在最低 effort 设置（between_tools）下，模型优先考虑速度；在 Max effort 下，它为每个 token 分配最多的计算资源 [1]。
2. 基准测试结果
2.1 Terminal-Bench 4.0（代理编码）
Terminal-Bench 4.0 测试多小时的自主终端工作——这是当前最具挑战性的代理编码基准测试。Sonnet 5.5 在此数据集的所有基准测试中，相比其前代模型的相对提升幅度最大。
| 模型 | 分数（Anthropic） | 分数（AA 独立评估） | 相较 Sonnet 5 的变化 |
|---|---|---|---|
| Claude Sonnet 5.5 | 70.6% | 64.0% | +60.3 pp / +50.0 pp |
| Claude Sonnet 5 | 10.3% | 14.0% | — |
| Claude Opus 5.5 | 66.4% | 60.0% | — |
| GPT-6 Sol | — | 44.0% | — |
Anthropic 厂商发布分数（70.6%）与 Artificial Analysis 独立评估分数（64.0%）之间的差距为 6.6 个百分点，这一模式在多个基准测试中均有出现，将在第 4 节进一步讨论 [1]。
2.2 SWE-bench Pro
SWE-bench Pro 在 41 个私有和 copyleft 代码仓库的 1,865 个任务上评估模型，难度远高于 SWE-bench Verified（顶尖模型在该测试中得分约 80%）。Pro 版本更能反映编码代理在真实场景中的自主性。
| 模型 | 分数 |
|---|---|
| Claude Sonnet 5.5 | 81.3% |
| Claude Sonnet 5 | 63.2% |
| Claude Opus 5.5 | 89.9% |
Sonnet 5.5 相比 Sonnet 5 大幅缩小了与 Opus 5.5 的差距，但 Opus 5.5 仍领先 8.6 个百分点 [1]。
2.3 GDPval-AA v2.1（Elo 评分）
GDPval-AA v2.1 衡量模型在模拟 44 个职业的真实经济决策任务上的表现，由人类专家使用 Elo 评分系统进行评估。
| 模型 | Elo 评分 |
|---|---|
| Claude Opus 5.5 | 1,846 |
| Claude Sonnet 5.5 | 1,844 |
| GPT-6 Sol | 1,487 |
| Claude Sonnet 5 | 1,449 |
Sonnet 5.5 在知识工作上接近 Opus 5.5，仅落后 2 个 Elo 分数——差异可忽略不计 [1]。
2.4 AA-Briefcase v1.1（Elo 评分）
AA-Briefcase v1.1 是对模型在真实商业和专业任务上表现的独立评估，同样使用 Elo 系统。
| 模型 | Elo 评分 |
|---|---|
| Claude Opus 5.5 | 1,822 |
| Claude Sonnet 5.5 | 1,811 |
| GPT-6 Sol | 1,483 |
| Claude Sonnet 5 | 1,359 |
Sonnet 5.5 再次仅落后 Opus 5.5 11 个 Elo 分数，同时领先 GPT-6 Sol 328 个分数 [1]。
2.5 Artificial Analysis Intelligence Index v4.3.2
AA Intelligence Index 是一个独立综合分数，将多项基准测试的表现聚合为单一智能排名。
| 排名 | 模型 | 分数 |
|---|---|---|
| 1 | Claude Opus 5.5 | 58 |
| 2 | Claude Sonnet 5.5 | 56 |
| 3 | GPT-6 Astra | 53 |
| 4 | Claude Sonnet 5 | 38 |
Sonnet 5.5 在 AA Intelligence Index 上排名第二，落后 Opus 5.5 2 分，领先 GPT-6 Astra 3 分 [1]。
2.6 BenchAlign 综合评分（benchlm.ai，v5.7）
BenchAlign 是 benchlm.ai 的综合排名，将多项基准测试分数聚合为一个总分。
| 排名 | 模型 | BenchAlign 分数 |
|---|---|---|
| 1 | GPT-6 Astra | 88.5 |
| 2 | Claude Opus 5.5 | 87.07 |
| 3 | Claude Fable 5.1 | 82.96 |
| 4 | GPT-6 Sol | 81.08 |
| 5 | Claude Sonnet 5.5 | 80.49（估算） |
| 6 | Claude Opus 5 | 79.64 |
Sonnet 5.5 的 BenchAlign 分数为估算值，并非直接来源于 benchlm.ai，因为该模型在 v5.7 报告定稿后发布 [1]。
2.7 LMSYS/LMArena Chatbot Arena
LMArena 是最大的社区驱动 LLM 评估平台，通过盲测两两对比生成 Elo 评分。Sonnet 5.5 尚未列入，因为其发布日期为 2026 年 9 月 28 日——本报告编制的前一天。
| 模型 | LMArena Text Elo |
|---|---|
| Claude Mythos 5 | 1,531 |
| Claude Fable 5 | 1,525 |
| Claude Opus 5 | 1,522 |
| GPT-5.6 Sol | 1,514 |
| Claude Sonnet 5 | 1,479 |
考虑到 Sonnet 5.5 仅发布一天，其缺席于 LMArena 是预期之中的。其前代 Sonnet 5 排名第 18，Elo 为 1,479 [1]。
3. 其他值得关注的基准测试
除上述主要基准测试外，Sonnet 5.5 在一系列专项评估中也表现出色。
| 基准测试 | Sonnet 5.5 | Sonnet 5 | Opus 5.5 | GPT-6 Sol |
|---|---|---|---|---|
| OSWorld 2.1（部分） | 80.1% | 57.0% | 81.8% | — |
| CursorBench 4.0 | 55.5% | 34.1% | 57.8% | — |
| FrontierCode 1.1（XHigh） | 52.1% | — | — | — |
| FrontierCode 1.1（Max） | 46.2% | — | — | — |
| AutomationBench | 71% | 37% | 70% | — |
| HLE（带工具） | 64.5% | 54.9% | 67.7% | — |
| Chartography（无工具） | 61.6% | 15.6% | 64.4% | — |
| HealthBench Professional | 69.2% | 57.8% | 65.6% | — |
| SWE-Bench Multilingual | 90.3% | 78.3% | 93.9% | — |
| ProgramBench（长上下文） | 79.7% | 77.3% | 91.2% | — |
从这一更广泛的测试结果中可以观察到若干模式。Sonnet 5.5 在涉及工具使用和代理行为的基准测试上相比 Sonnet 5 提升幅度最大（Chartography：61.6% 对 15.6%；AutomationBench：71% 对 37%）。在测试持续推理或长上下文编码的基准测试（ProgramBench、HLE）上，与 Opus 5.5 的差距仍然较大。该模型在多语言软件工程（SWE-Bench Multilingual：90.3%）方面也表现出特别优势 [1]。
4. 竞品模型
4.1 GPT-6 Astra（OpenAI）
GPT-6 Astra 是 OpenAI 当前的旗舰模型，于 2026 年 9 月 3 日发布。它在 BenchAlign 综合评分（88.5）和 AA Intelligence Index（最高 effort 下 53）上领先，并保持 GPQA Diamond 最高分（XHigh effort 下 96.1%）[1][2]。
| 属性 | GPT-6 Astra |
|---|---|
| 定价（每 1M tokens 输入/输出） | $10 / $50 |
| 上下文窗口 | 约 1,050,000 tokens |
| AA Intelligence Index（最高） | 53 |
| BenchAlign（v5.7） | 88.5 |
| GPQA Diamond（XHigh） | 96.1% |
| Terminal-Bench 4.0（AA） | 57.9% |
| LMArena Text Elo | 1,479.8 |
GPT-6 Astra 的每 token 成本在输入上是 Sonnet 5.5 的 5 倍，在输出上也是 5 倍。其优势在于硬科学推理（GPQA Diamond）和 BenchAlign 综合评分，而 Sonnet 5.5 在代理编码（Terminal-Bench 4.0）上领先，且成本显著更低 [1][2]。
4.2 GPT-6 Sol（OpenAI）
GPT-6 Sol 是 OpenAI 的更平价层级，定价与 Sonnet 5.5 相同，为每 1M tokens $2/$10。它构成直接的竞争关系。
| 属性 | GPT-6 Sol |
|---|---|
| 定价（每 1M tokens 输入/输出） | $2 / $10 |
| AA Intelligence Index | 48 |
| BenchAlign（v5.7） | 81.08 |
| GDPval-AA v2.1（Elo） | 1,487 |
| Terminal-Bench 4.0（AA） | 44.0% |
| LMArena Text Elo | 约 1,483（估算） |
在价格相同的情况下，Sonnet 5.5 在双方均有发布分数的几乎所有基准测试上优于 GPT-6 Sol：GDPval-AA Elo（1,844 对 1,487）、Terminal-Bench 4.0（AA 评估 64.0% 对 44.0%）、AA-Briefcase Elo（1,811 对 1,483）[1]。
4.3 Claude Opus 5.5（Anthropic）
Opus 5.5 是 Anthropic 的旗舰模型，于 2026 年 9 月 22 日发布——比 Sonnet 5.5 早 6 天。它在 AA Intelligence Index（58）和 BenchAlign 综合评分（87.07）上领先 [1][2]。
| 属性 | Opus 5.5 | Sonnet 5.5 |
|---|---|---|
| 定价（每 1M tokens 输入/输出） | $4 / $20 | $2 / $10 |
| AA Intelligence Index（最高） | 58 | 56 |
| BenchAlign（v5.7） | 87.07 | 80.49（估算） |
| SWE-bench Pro | 89.9% | 81.3% |
| Terminal-Bench 4.0（Anthropic） | 66.4% | 70.6% |
| Terminal-Bench 4.0（AA 独立评估） | 60.0% | 64.0% |
| GDPval-AA v2.1（Elo） | 1,846 | 1,844 |
| 单任务成本（Max effort） | $5.98 | $7.60 |
成本对比较为复杂。在典型 effort 级别下，Sonnet 5.5 比 Opus 5.5 便宜且更快，输出生成速度提升 30% 以上，单任务成本最多降低 30% [1]。然而，在 Max effort 下，Sonnet 5.5 的单任务成本（$7.60）实际上超过了 Opus 5.5（$5.98），因为 Sonnet 5.5 较低的每 token 价格被其在最高 effort 级别下更高的 token 消耗所抵消 [1]。
4.4 Claude Fable 5.1（Anthropic）
Fable 5.1 是 Anthropic 的长周期代理模型，于 2026 年 9 月 1 日发布。它在 Fable 系列的 AA Intelligence Index 最高 effort 得分（53.4）和 LMArena 文本竞技场（Fable 5 high 的 1,505.7 Elo）上领先 [2]。
| 属性 | Fable 5.1 | Sonnet 5.5 |
|---|---|---|
| 定价（每 1M tokens 输入/输出） | $10 / $50 | $2 / $10 |
| AA Intelligence Index（最高） | 53.4 | 56 |
| BenchAlign（v5.7） | 82.96 | 80.49（估算） |
| SWE-bench Pro | 80.0% | 81.3% |
| Terminal-Bench 4.0 | 55.8% | 70.6%（Anthropic） |
Sonnet 5.5 在 Terminal-Bench 4.0 和 SWE-bench Pro 上优于 Fable 5.1，同时输入 token 成本低 5 倍，输出 token 成本低 5 倍 [1]。
5. 关键洞察
5.1 Sonnet 5.5 在代理编码上大幅超越 Sonnet 5
最引人注目的发现是 Sonnet 5.5 与 Sonnet 5 在 Terminal-Bench 4.0 上的差距：根据 Anthropic 自身评估，分别为 70.6% 和 10.3%。即使取独立 Artificial Analysis 分数 64.0%，也代表相比 Sonnet 5 的 14.0% 提升了约 4.6 倍 [1]。这不是一次小幅升级——对于代理终端工作而言，这是一个新的模型类别。
5.2 在知识工作上接近 Opus 5.5
在 GDPval-AA v2.1 上，Sonnet 5.5 获得 1,844 的 Elo 分数，对比 Opus 5.5 的 1,846——2 分的差距在统计上可忽略不计 [1]。在 AA-Briefcase v1.1 上，差距略微扩大到 11 个分数（1,811 对 1,822）。这表明 Sonnet 5.5 经过调整，在保持成本优势的同时缩小了与 Opus 5.5 在知识工作上的差距。
5.3 在典型 effort 级别下相比 Opus 5.5 有显著成本优势
以 $2/$10 每 1M tokens 对比 Opus 5.5 的 $4/$20，Sonnet 5.5 在输入和输出上均便宜 2 倍。结合 30% 以上的输出生成速度提升，在典型（低/中）effort 级别下的单任务成本大幅降低 [1]。这使得 Sonnet 5.5 成为不需要 Opus 5.5 峰值推理深度的工作负载的更经济选择。
5.4 尚未列入 LMSYS/LMArena 或 Hugging Face
Sonnet 5.5 于 2026 年 9 月 28 日发布——本报告编制前一天。它尚未列入 LMSYS/LMArena（最大的社区评估平台）或 Hugging Face Open LLM Leaderboard（该平台排除闭源模型）。这意味着在撰写本文时，其聊天和通用能力尚无独立的社区验证 [1]。
5.5 独立验证显示差距更小
Artificial Analysis 的独立分数始终显示 Sonnet 5.5 与竞争对手之间的差距比 Anthropic 厂商发布数据要小。例如，在 Terminal-Bench 4.0 上，Anthropic 报告 70.6%，而 AA 报告 64.0%——相差 6.6 分。在 Opus 5.5 上，Anthropic 报告 66.4%，而 AA 报告 60.0%——相差 6.4 分 [1]。这一模式表明厂商发布的基准测试可能使用了更有利的评估设置，在做出生产决策时应重视独立验证。
5.6 Max effort 下的单任务成本高于 Opus 5.5
在 Max effort 下，Sonnet 5.5 的单任务成本（$7.60）超过 Opus 5.5（$5.98）。考虑到 Sonnet 5.5 较低的每 token 价格，这一结果看似反直觉，但它反映了在最高 effort 级别下更高的 token 消耗。对于 routinely 使用 Max effort 的团队，应在特定工作负载上对两个模型进行基准测试，再得出 Sonnet 5.5 更便宜的结论 [1]。
5.7 在低和中等 effort 下，Sonnet 5.5 显著更便宜且更快
30% 以上的输出生成速度提升和典型 effort 级别下单任务成本最多降低 30%，使 Sonnet 5.5 成为不需要最深推理的高吞吐量、成本敏感型工作负载的明确选择 [1]。
5.8 首款具备网络安全保护的 Sonnet 模型
Sonnet 5.5 是 Sonnet 系列中首款包含网络安全保护和防蒸馏保护的模型。这对于在安全态势至关重要的生产环境中部署该模型的团队来说是一个值得注意的新增功能 [1]。
6. 局限性
在解读这些结果时，应考虑以下局限性。
无传统学术基准测试分数。 MMLU、GPQA Diamond、HumanEval 及其他知名学术基准测试尚未为 Sonnet 5.5 公布。这意味着其在标准化知识和编码测试上的表现无法与旧模型在这些特定评估上直接对比 [1]。
大多数分数来自厂商发布或单一独立来源。 Sonnet 5.5 的大多数分数来自 Anthropic 自身的评估框架。Artificial Analysis 仅对部分基准测试提供了独立验证，覆盖范围有限 [1]。
LMSYS/LMArena 数据尚不可用。 该模型在报告编制前一天发布。社区驱动的 LMArena 评估需要数周时间才能积累有意义的投票数 [1]。
Hugging Face Open LLM Leaderboard 排除闭源模型。 无论 Sonnet 5.5 表现如何，它都无法出现在该排行榜上 [1]。
Sonnet 5.5 的 BenchAlign 分数为估算值。 v5.7 BenchAlign 报告在 Sonnet 5.5 发布前已定稿。80.49 的分数是基于该模型在综合评分所包含的单项基准测试上的表现估算得出的 [1]。
不同 effort 级别下基准测试的可比性。 不同基准测试使用不同的 effort 设置和评估框架。直接对比分数时应考虑每个分数所处的 effort 级别。AA Intelligence Index 和 BenchAlign 综合评分试图对这些差异进行归一化处理，但没有任何归一化方法是完美的 [1]。
Terminal-Bench 4.0 厂商分数与独立分数的差距。 Sonnet 5.5 的 Anthropic 厂商分数（70.6%）与 AA 独立分数（64.0%）之间的 6.6 分差距，与 Opus 5.5 的类似差距（66.4% 对 60.0%）一致。这表明厂商发布的 Terminal-Bench 分数存在系统性向上偏差，但该偏差的幅度尚未完全明确 [1]。
7. 建议
基于现有证据，对评估 Sonnet 5.5 的团队提出以下建议：
对于代理编码工作负载，Sonnet 5.5 是前沿类别中性价比最高的选择，每 1M tokens 仅需 $2/$10。其 Terminal-Bench 4.0 独立评估分数 64.0% 比同价位的 GPT-6 Sol 的 44.0% 高出 46% [1]。
对于知识工作和专业任务，Sonnet 5.5 以一半的成本提供接近 Opus 5.5 的水平。GDPval-AA 上 2 分的 Elo 差距（1,844 对 1,846）对大多数生产用例而言可忽略不计 [1]。
对于 Max-effort 工作负载，应在特定任务上对 Sonnet 5.5 和 Opus 5.5 均进行基准测试。Sonnet 5.5 在 Max effort 下的单任务成本（$7.60）超过 Opus 5.5（$5.98），因此成本优势在最高 effort 级别下会逆转 [1]。
在做出最终决定前，等待 LMArena 和社区基准测试结果，如果工作负载依赖于开放、社区验证的评估。模型的 LMArena 排名将在未来几周内逐步显现 [1]。
针对特定用例请求独立评估。厂商发布分数与独立分数之间 6–7 分的差距（Terminal-Bench 4.0 上）表明，在自身任务上进行内部基准测试至关重要 [1]。