Claude Sonnet 5.5 en Extra Effort: por qué la afirmación del «próximo modelo Claude» falla en sus dos propias pruebas

A las 12:44 UTC del 5 de noviembre, una cuenta de X llamada @chetaslua publicó una frase que ha estado circulando de diversas formas desde octubre: "Sonnet 5.5 Extra parece un enrutamiento hacia el siguiente modelo de Claude." A la mañana siguiente, la publicación tenía 20.900 visualizaciones, 384 me gusta y 38 respuestas. El modelo que menciona es uno al que puedes llamar hoy — Claude Sonnet 5.5, lanzado el 28 de septiembre a 2 y 10 dólares por millón de tokens. La palabra "Extra" no es un segundo modelo. Es el segundo nivel más alto del menú de esfuerzo de Claude, que Anthropic etiqueta como Extra high y que la API llama xhigh.

Se ofrecen dos pruebas como evidencia: una pregunta sobre adónde fue Andrej Karpathy en 2026, y un pelícano en bicicleta dibujado por completo en SVG. Ambas pruebas pasan en el modelo que Anthropic lanzó en septiembre. Esa es toda la dificultad de la afirmación. Una prueba comprueba un hecho que cae un mes dentro de la propia ventana de entrenamiento de Claude Sonnet 5.5. La otra mide una cantidad que el ajuste Extra existe para aumentar. Ninguna puede separar «respondió un modelo mejor» de «el ajuste que elegí hizo lo que su documentación dice que hace».

Eso no hace que la publicación no valga nada. La convierte en un espécimen limpio de una prueba que parece decisiva y no lo es — y los dos movimientos que emplea, una sonda de conocimiento y una comparación del tamaño de la salida, son los mismos dos movimientos que hay detrás de la mayoría de las afirmaciones sobre enrutamiento de este otoño. Recorrerlos es más útil que otra ronda de conjeturas sobre lo que Anthropic no ha anunciado.

¿Qué se publicó realmente?

La publicación describe una única sesión de chat y dos prompts. El primero preguntó adónde había ido Karpathy en 2026 e indicó al modelo que no usara la web; la respuesta decía que se había unido a Anthropic en mayo de 2026 en el equipo de preentrenamiento. El segundo pedía "pelícano montando en bicicleta, lo más realista que puedas, solo con código", y el resultado se describe como 26.599 elementos SVG, aproximadamente 6.500 trazos de plumas, sin imágenes incrustadas, URI de datos ni scripts, y 1.860 líneas de Python. De esos dos intercambios, el autor de la publicación concluye que la etiqueta está sirviendo algo más nuevo que el modelo que nombra.

Nada lo acompaña. Ni identificador de modelo, ni tarifa, ni ficha de sistema, ni declaración de Anthropic. El sucesor al que alude ha estado circulando bajo varios nombres desde octubre, ninguno de ellos de Anthropic y ninguno invocable. La propia lista de modelos de Anthropic, consultada hoy, incluye cuatro modelos actuales: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 y Claude Haiku 5.5. No hay una quinta fila, ni ningún identificador en ninguna parte de la publicación que un lector pueda probar.

Qué es "Extra", antes de que se convierta en un misterio

El menú de esfuerzo de las aplicaciones de Claude enumera cinco niveles —Bajo, Medio, Alto, Extra alto (xhigh) y Máximo—, con el nivel recomendado por el modelo marcado como Predeterminado. «Extra» es como la gente abrevia el cuarto. La propia referencia de Anthropic describe xhigh como una capacidad extendida para trabajo de horizonte largo, dirigida a «tareas agénticas y de programación de larga duración (más de 30 minutos) con presupuestos de tokens en millones». Eso es el proveedor diciéndote, por adelantado, que este nivel está pensado para consumir mucho más que el que está justo debajo.

El escalón también se calibra por modelo, no globalmente. La nota de migración de Anthropic para esta generación dice claramente que los niveles de esfuerzo de Claude Sonnet 5.5 están recalibrados —un nivel "no produce la misma cantidad de pensamiento que en Claude Sonnet 5"— e indica a los desarrolladores que vuelvan a ejecutar su barrido de esfuerzo en lugar de trasladar una configuración. Se derivan dos consecuencias, ambas aburridas y ambas fatales para la inferencia. Una solicitud en Extra en Sonnet 5.5 no es la misma solicitud que Extra en su predecesor, así que "se siente diferente de lo que recuerdo" es lo esperado. Y girar un dial de High a Extra es una instrucción de gastar más tokens, así que un dibujo más largo, denso y elaborado es el resultado solicitado.

Hay un detalle más de la superficie que conviene precisar, porque es donde las etiquetas dejan de coincidir. El esfuerzo predeterminado de la API de Claude para este modelo es alto; el predeterminado de Claude Code para el mismo modelo es medio. Una respuesta de la aplicación en Extra, una respuesta de la API en su valor predeterminado y una respuesta de Claude Code en su valor predeterminado son tres configuraciones distintas de un mismo modelo. Comparar dos cualesquiera de ellas y concluir que ha aparecido un modelo nuevo es comparar valores predeterminados, no checkpoints.

Prueba uno: un dato de mayo verificado con una fecha de corte de junio

La pregunta de Karpathy es la más sólida de las dos pruebas, porque, a diferencia de la mayoría de estas pruebas, su respuesta puede verificarse con el registro público. Se confirma. Karpathy anunció en X el 19 de mayo de 2026 que se había unido a Anthropic; esa semana comenzó en el equipo de preentrenamiento, bajo la supervisión de Nick Joseph, y dijo que formaría un equipo centrado en usar Claude para acelerar la investigación en preentrenamiento. La respuesta que describe la publicación —se unió a Anthropic, mayo de 2026, equipo de preentrenamiento— es precisa.

La precisión es el problema. La fecha límite de conocimiento fiable de Claude Sonnet 5.5 es junio de 2026, y la fecha límite de sus datos de entrenamiento es la misma. La contratación se produjo aproximadamente un mes antes de esa fecha. Se supone que un Claude Sonnet 5.5 ya lanzado al que se le hace esta pregunta con la web desactivada debe responderla, y responderla es lo que predice su documentación. La prueba produjo el resultado nulo y se interpretó como el hallazgo.

Vale la pena ser precisos sobre lo que una sonda de conocimiento puede y no puede hacer, porque aquí es donde la mayoría de estas afirmaciones fallan:

• Una respuesta correcta sobre un evento anterior a la fecha de corte no aporta información. Todos los modelos de la línea han sido entrenados con él.

• Una respuesta incorrecta habría sido informativa — en la dirección opuesta. Si un modelo que debería conocer una contratación de mayo de 2026 lo niega, eso es evidencia de un checkpoint diferente y más débil, no de uno más fuerte no anunciado.

• Solo un hecho posterior al corte discrimina. Un hecho publicado después de junio de 2026, sobre el cual ningún modelo de la línea actual podría haberse entrenado, es la única forma de pregunta que separa un checkpoint nuevo de uno antiguo. Karpathy publicó un artículo sobre su flujo de trabajo en su propio blog el 2 de noviembre. Preguntar por su contenido con la web desactivada habría sido una prueba real. Preguntar adónde fue en mayo no lo era.

Prueba dos: un conteo de pelícanos que mide la verbosidad

El prompt del pelícano es la evaluación ad hoc de larga data de Simon Willison, y la ejecutó con Claude Sonnet 5.5 el 28 de septiembre, el día en que se lanzó el modelo. Sus resultados publicados son la línea base útil aquí, porque están fechados, atribuidos y medidos en lugar de contados a ojo.

• Al máximo esfuerzo — un nivel por encima del que usó la publicación — el modelo gastó 128.000 tokens de salida, alcanzó el límite, costó $1,28 y no llegó a producir ningún SVG.

• En xhigh —el nivel que la publicación llama Extra—, el mismo modelo generó un pelícano en 41 segundos por 5,74 centavos.

Lee esas dos líneas juntas y la segunda prueba del post se viene abajo. El modelo publicado en Extra ya dibuja el pájaro —esa es la ejecución de 41 segundos y 5,74 centésimas—, así que un pájaro en Extra no es anómalo. El modelo publicado un nivel por encima de Extra no dibuja nada en absoluto, así que, en esta tarea, el dial de esfuerzo es la variable dominante por un amplio margen, y el dial de esfuerzo es lo único que cambió el post. Un resultado que se mueve con el ajuste que giraste es evidencia sobre el ajuste.

El recuento de elementos merece su propia aritmética, porque es el número que más probablemente se repita. Anthropic afirma que 1 millón de tokens equivale aproximadamente a 2,5 millones de caracteres con el tokenizador actual. Si 26.599 elementos promediaran 40 caracteres cada uno —una cifra conservadora una vez incluidos los datos de ruta y los atributos—, el dibujo tendría unos 1,06 millones de caracteres, o aproximadamente 424.000 tokens. Eso es más de tres veces el límite de salida síncrona de 128.000 tokens, y también supera el límite por lotes de 300.000 tokens. Si los elementos promediaran siete caracteres, ese mismo recuento cabría cómodamente en unos 74.000 tokens.

Así que el recuento está limitado por la densidad del marcado, no por la potencia del modelo, y un modelo más conciso publica un número mayor. La propia descripción de la publicación apunta a la interpretación más probable: en el mismo chat aparecen 1.860 líneas de Python, y un script que recorre en bucle las plumas puede emitir 26.599 elementos sin que el modelo escriba 26.599 elementos. La publicación no dice si ese código dibujó al pelícano o fue un artefacto aparte, que es exactamente el detalle que necesitaría un lector. Lo que se puede afirmar sin el archivo es que el recuento de elementos es una medida de verbosidad en un nivel cuyo trabajo documentado es producir más.

La única línea realmente interesante de la descripción es la negativa: sin imágenes incrustadas, sin data URIs, sin scripts. Un pelícano con ese nivel de detalle construido solo a partir de primitivas vectoriales es un resultado real. No obstante, es un resultado sobre la calidad de la salida, y la calidad de la salida con un ajuste de esfuerzo más alto es lo menos sorprendente que un modelo puede ofrecer.

La única forma documentada en que responde un Claude diferente

Nada de esto demuestra que Anthropic nunca vaya a atender una solicitud bajo una etiqueta con pesos diferentes. Lo que sí significa es que la afirmación tiene que explicar los mecanismos que Anthropic sí documenta, y ambos apuntan en la dirección contraria.

El primero es el fallback de rechazo. Una solicitud rechazada devuelve HTTP 200 con stop_reason: "refusal" y un objeto stop_details que indica el área de política. El fallback del lado del servidor, configurado con fallbacks: "default" y en beta en la API de Claude, reintenta los rechazos de cyber y frontier_llm en Claude Sonnet 5 —el modelo más antiguo y económico. Ese es un caso documentado de una solicitud a Sonnet 5.5 respondida por otra cosa, y es una degradación que se anuncia en la propia respuesta.

El segundo es la vinculación de bloques de pensamiento. Los bloques de pensamiento registran qué modelo los produjo, y cuando una conversación pasa a un modelo que no puede leerlos, la API los elimina antes de que el modelo vea la solicitud, e informa de esa eliminación en input_transformations cuando el encabezado beta está configurado. Eso es la API diciéndote que el modelo que sirve cambió. Ninguno de los dos mecanismos actualiza una solicitud de claude-sonnet-5-5 a un modelo más potente y no anunciado bajo la misma cadena.

La ausencia de un mecanismo no es prueba de que no esté ocurriendo nada. Sin embargo, es el estándar que debe cumplir la afirmación: un relato de enrutamiento que solo describe una mejora tiene que explicar por qué el único camino que Anthropic publica va cuesta abajo y deja un recibo.

Lo más parecido a una verificación externa es el índice que los evaluadores independientes aplican al modelo que Anthropic distribuye. Artificial Analysis sitúa a Claude Sonnet 5.5 en 55 en su Intelligence Index v5.0.1, noveno de 69 modelos frente a una mediana de 37. Esa es una lectura de la cadena tal como se sirve hoy, y es la superficie en la que, con el tiempo, cabría esperar que apareciera un checkpoint materialmente más potente oculto bajo el mismo nombre.

Cómo sería una prueba que pudiera resolverlo

Si quieres saber si la etiqueta que tienes delante está siendo servida por otra cosa, el experimento no es difícil. Solo es menos divertido que publicar un pelícano.

Fija el identificador, no la etiqueta. Llama a claude-sonnet-5-5 con un valor de esfuerzo explícito, para que la solicitud sea la misma solicitud cada vez. Una etiqueta en un menú es una superficie de producto; un identificador es un objetivo.

Muestrea más de una vez. Una respuesta en un solo escalón es una anécdota. Diez en high y diez en xhigh, con el mismo prompt de sistema y el mismo max_tokens, te dan dos distribuciones. El esfuerzo produce un cambio suave y monótono en la longitud de la salida. Un checkpoint diferente tiende a producir una discontinuidad en el contenido que la longitud no explica.

• Utilice un hecho posterior al punto de corte. Un corte en junio de 2026 significa que todo lo publicado después de junio es válido y todo lo anterior carece de valor como prueba. Este es el único cambio que habría hecho que la prueba del 5 de noviembre valiera la pena realizar.

Lee el objeto de respuesta y luego descártalo. Vale la pena registrar los campos model, usage, stop_reason y stop_details, y allí se ve un fallback de rechazo. Pero esos campos se limitan a repetir lo que el servidor dice que hizo. Son una declaración, no una inspección: la misma categoría de evidencia que pedirle a un modelo que se describa a sí mismo.

Calcula su precio antes de ejecutarlo. A $2 y $10 por millón de tokens, una respuesta de 128.000 tokens cuesta $1,28, que es la cifra de Willison y también simplemente la tarifa. Permitir que veinte respuestas lleguen al límite cuesta alrededor de $25.

¿Qué costos tiene Extra mientras esperas una respuesta?

Hay una pregunta práctica bajo el rumor que no depende de resolverlo. Claude Sonnet 5.5 factura el pensamiento como salida, el pensamiento cuenta para max_tokens, y Extra está documentado para presupuestos de tokens en los millones. Una sola respuesta que consume un millón de tokens de salida cuesta $10 solo por el lado de la salida, con una tarifa que muchos equipos eligieron precisamente porque era el nivel económico.

Un escalón por encima de Extra, la ejecución medida del pelícano alcanzó el límite de 128.000 tokens y costó 1,28 $ sin producir un dibujo. El costo de una solicitud fallida en este modelo no es cero.

• Un peldaño por debajo, la misma tarea se completó en 41 segundos por 5,74 centavos. La diferencia entre ambas es de más de veinte veces, y la determina un menú desplegable.

• Un equipo que realiza 1.000 solicitudes Extra al día con 30.000 tokens de salida cada una está gastando 30 M de tokens de salida al día, o 300 USD, antes siquiera de contar la entrada.

Esa es la parte sobre la que un lector puede actuar hoy, independientemente de lo que Anthropic lance a continuación. Si Extra es un modelo diferente, la ganancia inesperada es real pero no se puede planificar. Si Extra es lo que su nombre indica, entonces una carga de trabajo que no se ha evaluado frente a high y medium está pagando por una minuciosidad que nadie midió.

OrcaRouter enruta Claude Sonnet 5.5 a los $2 y $10 del propio proveedor, sin ningún recargo adicional, y el esfuerzo es un parámetro por solicitud en lugar de un contrato independiente, así que un barrido de esfuerzo por los distintos niveles es un bucle en un script. Esa es también la forma honesta de cubrirse ante una afirmación como esta: fija el identificador del modelo al que te referías, ejecuta el mismo prompt en cada nivel y compara tus propios recuentos de tokens en lugar de una captura de pantalla. Cuando una cuestión de enrutamiento no se puede resolver desde fuera, lo siguiente mejor es una configuración en la que la respuesta sea medible con tu propio tráfico —y en la que pasar a high o a un modelo diferente sea un cambio de configuración en lugar de una migración.

¿Qué cambiaría esta página?

Un identificador de modelo, una tarjeta de tarifas, una tarjeta de sistema o una frase de Anthropic que nombre al sucesor. Cualquiera de esos resuelve la cuestión en una tarde, y ninguno existe hoy. Hasta que exista uno, la descripción honesta de lo que hay detrás de la etiqueta es la que publica Anthropic: Claude Sonnet 5.5, un corte de junio de 2026, cinco niveles de esfuerzo y una razón documentada para creer que un pelícano más grande en un ajuste más alto es un pelícano más grande en un ajuste más alto.

El propio encuadre de la publicación la delata. Compara Extra con una expectativa, no con una medición: el mismo nivel en Sonnet 5, o el mismo nivel al máximo, o una línea base publicada de la semana de lanzamiento. Esas comparaciones existen y son baratas. Hasta que alguien las haga, "parece enrutamiento" es la descripción de un menú desplegable haciendo su trabajo.