Claude Sonnet 4.5 es el modelo Sonnet más avanzado de Anthropic hasta la fecha, optimizado para agentes del mundo real y flujos de trabajo de codificación. Ofrece un rendimiento de última generación en pruebas de referencia de codificación como SWE-bench Verified, con...
Claude Sonnet 4.5 es un modelo de lenguaje grande de Anthropic, disponible a través de la API compatible con OpenAI de OrcaRouter. Se sitúa entre los niveles de modelo Haiku y Opus de Anthropic,…
Claude Sonnet 4.5 tiene un buen rendimiento en tareas que requieren razonamiento profundo sobre textos largos, como análisis de documentos, resumen y extracción. Su puntuación MMLU-Pro de 86.0 indica un sólido conocimiento factual y capacidad de razonamiento en una amplia gama de materias. El modelo también es eficaz en la generación de código, depuración y refactorización, especialmente para proyectos grandes que caben dentro de su ventana de contexto. Para tareas multimodales, puede interpretar imágenes y proporcionar descripciones, responder preguntas sobre contenido visual o extraer información de diagramas. La capacidad de salida de 64,000 tokens le permite producir respuestas completas, lo que lo hace útil para escribir contenido extenso o generar datos estructurados.
Claude Sonnet 4.5 acepta imágenes y archivos como parte de su entrada junto con texto. Cuando se proporciona una imagen, el modelo interpreta su contenido visual —como objetos, texto dentro de la imagen o relaciones espaciales— y puede responder preguntas o seguir instrucciones basadas en esa interpretación. Los archivos se pueden cargar en varios formatos; el modelo extrae el contenido textual y lo procesa dentro del mismo contexto. Esto permite tareas como analizar una factura escaneada (imagen) y una hoja de cálculo relacionada (archivo) simultáneamente. El modelo no genera imágenes; su salida es siempre texto. El procesamiento multimodal utiliza tokens: las imágenes consumen tokens proporcionales a su resolución, y el contenido del archivo se tokeniza como texto.
Si tus tareas son simples, de contexto corto o unimodales (solo texto), un modelo de menor costo como Claude Haiku de Anthropic puede ser más adecuado. Por ejemplo, clasificación simple, preguntas y respuestas breves, o generación de texto a pequeña escala a menudo pueden ser manejados por modelos más pequeños a una fracción del costo. De manera similar, si no necesitas el contexto extendido o la capacidad multimodal, pagar por Claude Sonnet 4.5 puede no estar justificado. Evalúa la complejidad y longitud de tus consultas típicas. Para el procesamiento por lotes de miles de solicitudes cortas, un modelo más barato reduce el gasto total. OrcaRouter ofrece múltiples niveles de modelos para que puedas ajustar el modelo a tu necesidad real.
Claude Sonnet 4.5 es ideal para tareas que aprovechan su gran contexto y entradas multimodales. Ejemplos de mejores usos incluyen: resumir contratos legales completos o trabajos de investigación, realizar revisiones de código en una base de código completa, generar documentación a partir del código, extraer datos estructurados de documentos escaneados (imágenes) y construir chatbots que necesiten recordar un historial de conversación extenso. También es adecuado para aplicaciones educativas donde el modelo debe leer y razonar sobre capítulos de libros de texto o diapositivas de conferencias. Para la escritura creativa, el alto límite de tokens de salida permite generar contenido de formato largo como historias o informes en una sola pasada. En cada caso, la puntuación de 86.0 MMLU-Pro del modelo sugiere un razonamiento fiable.
MMLU-Pro es un benchmark que mide la comprensión multidisciplinaria del lenguaje de un modelo en una amplia variedad de materias, incluyendo STEM, humanidades y ciencias sociales. Consiste en preguntas de opción múltiple diseñadas para evaluar tanto el conocimiento como el razonamiento. Claude Sonnet 4.5 alcanza una puntuación de 86.0 en este benchmark. Esta puntuación indica que el modelo responde correctamente al 86.0% de las preguntas, situándolo entre los de mejor rendimiento en tareas de conocimiento general y razonamiento. Para contexto, MMLU-Pro es una versión ampliada del MMLU original con preguntas más desafiantes. Una puntuación superior a 80 se considera muy competitiva, aunque el rendimiento en tareas específicas puede variar.
Las fortalezas de Claude Sonnet 4.5 incluyen su ventana de contexto muy grande (1 millón de tokens), un límite de salida alto (64k tokens), soporte de entrada multimodal y un sólido puntaje MMLU-Pro de 86.0. Estas características lo hacen potente para tareas de contexto largo y multimodales. Las limitaciones no están especificadas en los datos proporcionados, pero como todos los LLM, puede producir ocasionalmente información incorrecta o alucinada. No tiene conocimiento en tiempo real más allá de su fecha de corte de entrenamiento. Tampoco puede generar imágenes ni realizar acciones fuera de la salida de texto. El costo por token es más alto que el de modelos más pequeños, por lo que puede no ser económico para tareas simples y cortas. OrcaRouter no reclama ningún dato de latencia específico, por lo que la velocidad depende de la infraestructura del proveedor.
No se proporcionan datos específicos de latencia para Claude Sonnet 4.5. En general, la velocidad depende de factores como la cantidad de tokens de entrada y salida, la carga del backend del proveedor y la arquitectura del modelo. Como modelo de nivel medio, se espera que tenga una inferencia más lenta que los modelos más pequeños (p. ej., Claude Haiku) pero más rápida que los más grandes (p. ej., Claude Opus). OrcaRouter enruta las solicitudes a la API de Anthropic, por lo que los tiempos de respuesta están sujetos a la infraestructura de Anthropic. Para aplicaciones sensibles a la latencia, se recomienda realizar pruebas con sus cargas útiles típicas. La ventana de contexto amplia puede aumentar el tiempo hasta el primer token si se procesan entradas grandes, ya que el modelo debe ingerir todos los tokens antes de generar la salida.
Si bien Claude Sonnet 4.5 tiene un buen rendimiento en MMLU-Pro (86.0) y admite contextos grandes, tiene limitaciones comunes a los LLM. Puede producir información plausible pero incorrecta (alucinación). Su conocimiento tiene una fecha de corte de entrenamiento no especificada en los datos proporcionados; puede desconocer eventos muy recientes. El modelo no tiene capacidades de navegación ni memoria externa fuera del contexto actual. El procesamiento multimodal de imágenes de alta resolución puede consumir un presupuesto de tokens significativo, reduciendo la capacidad efectiva de texto. El modelo de precios implica que las salidas largas o las entradas muy grandes pueden resultar costosas. No hay garantía de consistencia entre indicaciones idénticas; la temperatura y otros parámetros afectan la salida. La API de OrcaRouter puede tener límites de tasa no detallados aquí.
OrcaRouter factura Claude Sonnet 4.5 a la tarifa del proveedor con margen cero. El precio es $3.00 por 1 millón de tokens de entrada y $15.00 por 1 millón de tokens de salida. Los tokens de entrada incluyen todo el texto, equivalentes de tokens de imagen y tokens de contenido de archivo enviados en una solicitud. Los tokens de salida son los tokens de respuesta generados. No hay cargo adicional más allá del consumo de tokens. Este modelo de pago por token hace que los costos escalen linealmente con el uso. Para una solicitud con 100,000 tokens de entrada y 10,000 tokens de salida, el costo sería $0.30 por entrada y $0.15 por salida, totalizando $0.45.
El costo por token de salida ($15 por 1M) es cinco veces mayor que el costo del token de entrada ($3 por 1M). Esta asimetría incentiva a los usuarios a diseñar prompts que minimicen la longitud de las respuestas generadas. Por ejemplo, pedir respuestas concisas o salidas estructuradas (JSON) puede reducir los tokens de salida. Por el contrario, los costos de entrada pueden acumularse si se incluyen documentos grandes. La ventana de contexto de 1M permite entradas enormes, pero cada token de entrada incurre en un costo. Los usuarios deben evaluar si todo el contexto es necesario. Si se generan salidas largas, el costo de salida dominará. Usar un límite más bajo de tokens de salida (mediante el parámetro max_tokens) ayuda a controlar el gasto.
OrcaRouter no proporciona información específica sobre descuentos de almacenamiento en caché ni límites de velocidad para Claude Sonnet 4.5 en los datos proporcionados. En general, algunos proveedores de API ofrecen almacenamiento en caché de prompts (es decir, no volver a procesar prefijos de entrada idénticos) para reducir costos y latencia. Se recomienda consultar la documentación de OrcaRouter para conocer dichas funciones. Pueden aplicarse límites de velocidad (por ejemplo, solicitudes por minuto o tokens por minuto) y varían según el nivel de cuenta. Los usuarios con necesidades de alto rendimiento deben contactar a OrcaRouter para obtener detalles. Como práctica recomendada, implemente lógica de reintento con retroceso exponencial en su aplicación para manejar posibles respuestas de limitación de velocidad.
El precio de Claude Sonnet 4.5 ($3/$15 por 1M de tokens) se sitúa entre modelos más pequeños y económicos (por ejemplo, Claude Haiku) y modelos emblemáticos más caros (por ejemplo, Claude Opus). No se proporcionan los precios exactos de otros modelos, pero en general, un modelo con un contexto de 1M y una puntuación de 86.0 en MMLU-Pro ofrece una propuesta de valor específica. Para tareas que no requieren un contexto amplio o entrada multimodal, un modelo menos costoso puede resultar más rentable. Por el contrario, Opus (si está disponible) probablemente tenga un costo por token más alto y puntuaciones de referencia potencialmente más altas. La política de margen cero de OrcaRouter significa que pagas exactamente la tarifa del proveedor, lo que hace que las comparaciones de costos entre modelos sean transparentes.
OrcaRouter proporciona un endpoint de API compatible con OpenAI. Para usar Claude Sonnet 4.5, configure la URL base como https://api.orcarouter.ai/v1 y especifique el ID del modelo como "anthropic/claude-sonnet-4.5". Necesitará una clave de API de OrcaRouter. El formato de la solicitud sigue la estructura de chat completions de OpenAI: envíe un arreglo de mensajes con roles como 'system', 'user', 'assistant'. Para entradas de imagen, incluya un mensaje con contenido que tenga partes de texto e image_url. Para entradas de archivo, es posible que necesite primero subir o codificar el archivo como texto. La respuesta contendrá el texto generado por el modelo en el formato estándar de OpenAI. Ejemplo: curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer $ORCA_API_KEY" -d '{"model":"anthropic/claude-sonnet-4.5","messages":[{"role":"user","content":"Hello"}]}'
Al llamar a Claude Sonnet 4.5 a través de la API de OrcaRouter, puede usar parámetros estándar de OpenAI-chat como 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' y 'stream'. El parámetro 'max_tokens' controla el límite de tokens de salida, hasta el máximo del modelo de 64,000 tokens. Para solicitudes multimodales, incluya 'image_url' dentro del arreglo de contenido de un mensaje. El parámetro 'stream' admite eventos enviados por el servidor para la generación de tokens en tiempo real. También pueden estar disponibles parámetros adicionales como 'seed' para salidas deterministas. Consulte la documentación de OrcaRouter para obtener la lista completa. Tenga en cuenta que es posible que no todos los parámetros de OpenAI sean compatibles; se recomienda realizar pruebas. La API responde con un objeto JSON que contiene 'choices', cada uno con un objeto 'message'.
Si estás migrando de la API de OpenAI a OrcaRouter para Claude Sonnet 4.5, el proceso es sencillo gracias a la compatibilidad de la API. Cambia la URL base de https://api.openai.com/v1 a https://api.orcarouter.ai/v1. Reemplaza tu clave de API por una clave de API de OrcaRouter. Actualiza el nombre del modelo a "anthropic/claude-sonnet-4.5". La mayoría del código existente que utiliza el cliente Python de OpenAI, el cliente JavaScript o las solicitudes HTTP directas debería funcionar con modificaciones mínimas. Para funciones multimodales (imágenes, archivos), asegúrate de que la estructura de tu mensaje coincida con el formato de OpenAI con partes de contenido. Si estabas usando la API nativa de Anthropic, es posible que necesites reestructurar los mensajes en el formato de completado de chat (roles de usuario/asistente). La documentación de OrcaRouter probablemente proporciona guías de migración.
Claude Opus es el modelo más capaz y caro de Anthropic, mientras que Sonnet 4.5 es una oferta de gama media. Opus generalmente obtiene puntuaciones más altas en los benchmarks (no se proporcionan cifras exactas), pero también cuesta más por token. Sonnet 4.5 ofrece una ventana de contexto de 1M, la misma que Opus típicamente, y un límite de salida de 64k. La compensación está entre el razonamiento de primer nivel (Opus) y un equilibrio más rentable (Sonnet). Para tareas donde la puntuación MMLU-Pro de 86.0 de Sonnet es suficiente, puede ser una mejor relación calidad-precio. Si su aplicación requiere la máxima precisión en tareas desafiantes, considere Opus. OrcaRouter probablemente ofrece ambos, permitiendo cambiar fácilmente cambiando el ID del modelo.
Claude Sonnet 4.5 (MMLU-Pro 86.0) compite con otros modelos de gama media-alta como GPT-4o. GPT-4o también admite entradas multimodales y tiene una gran ventana de contexto (aunque el tamaño exacto puede diferir). Aquí no se proporcionan precios ni puntuaciones de referencia para GPT-4o, por lo que no es posible una comparación numérica directa. Las diferencias generales incluyen decisiones arquitectónicas y métodos de entrenamiento. Algunos usuarios prefieren Claude por su seguridad y manejo de contexto largo, mientras que otros favorecen GPT-4o por su ecosistema más amplio. A través de OrcaRouter, puedes probar ambos modelos con el mismo formato de API y comparar resultados en tus datos específicos. La elección depende del rendimiento empírico en tu caso de uso y del costo aceptable.
Elige Claude Sonnet 4.5 cuando necesites un equilibrio entre capacidad, longitud de contexto y costo. Si tus tareas son cortas y simples (por ejemplo, clasificación de una sola vuelta), Haiku es más barato y rápido. Si necesitas el mejor razonamiento absoluto y estás dispuesto a pagar más, Opus es la mejor opción. Sonnet es ideal para el término medio: ofrece una gran ventana de contexto (1M) y una puntuación sólida en MMLU-Pro (86.0) a un precio moderado. Para aplicaciones que procesan documentos largos con complejidad moderada, Sonnet probablemente proporciona suficiente calidad sin gastar de más. Si no estás seguro, la API de OrcaRouter te permite realizar pruebas A/B con diferentes modelos simplemente cambiando el ID del modelo.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="anthropic/claude-sonnet-4.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formatstopstreamstructured_outputstemperaturethinkingtool_choicetoolstop_ktop_p| Entrada / 1M tokens | $3.00 |
| Salida / 1M tokens | $15.00 |
| Lectura caché / 1M | $0.300 |
| Escritura caché / 1M | $3.75 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
GET /api/public/models/anthropic/claude-sonnet-4.5Abrir @misc{orcarouter_claude_sonnet_4_5,
title = {Claude Sonnet 4.5 API},
author = {Anthropic},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/anthropic/claude-sonnet-4.5}
}Anthropic. (2025). Claude Sonnet 4.5 API. OrcaRouter. https://www.orcarouter.ai/models/anthropic/claude-sonnet-4.5