Claude Sonnet 4.5 est le modèle Sonnet le plus avancé d’Anthropic à ce jour, optimisé pour les agents du monde réel et les workflows de codage. Il offre des performances de pointe sur les benchmarks de codage tels que SWE-bench Verified, avec...
Claude Sonnet 4.5 est un grand modèle de langage d'Anthropic, disponible via l'API compatible OpenAI d'OrcaRouter. Il se situe entre les niveaux de modèles Haiku et Opus d'Anthropic, offrant un…
Claude Sonnet 4.5 obtient de bons résultats sur les tâches nécessitant un raisonnement approfondi sur de longs textes, comme l'analyse de documents, la synthèse et l'extraction. Son score MMLU-Pro de 86,0 indique une solide connaissance factuelle et une capacité de raisonnement dans un large éventail de sujets. Le modèle est également efficace pour la génération de code, le débogage et le refactoring, en particulier pour les grands projets qui tiennent dans sa fenêtre de contexte. Pour les tâches multimodales, il peut interpréter des images et fournir des descriptions, répondre à des questions sur le contenu visuel ou extraire des informations de diagrammes. La capacité de sortie de 64 000 tokens lui permet de produire des réponses complètes, ce qui le rend utile pour rédiger de longs contenus ou générer des données structurées.
Claude Sonnet 4.5 accepte les images et fichiers en tant que partie de son entrée, en plus du texte. Lorsqu'une image est fournie, le modèle interprète son contenu visuel — tels que les objets, le texte dans l'image ou les relations spatiales — et peut répondre à des questions ou suivre des instructions basées sur cette interprétation. Les fichiers peuvent être téléchargés dans divers formats ; le modèle extrait le contenu textuel et le traite dans le même contexte. Cela permet des tâches comme l'analyse simultanée d'une facture scannée (image) et d'un tableur associé (fichier). Le modèle ne génère pas d'images ; sa sortie est toujours du texte. Le traitement multimodal utilise des tokens : les images consomment des tokens proportionnellement à leur résolution, et le contenu du fichier est tokenisé en texte.
Si vos tâches sont simples, à contexte court ou unimodales (texte uniquement), un modèle moins coûteux comme Anthropic's Claude Haiku peut être plus approprié. Par exemple, la classification simple, les questions-réponses courtes ou la génération de texte à petite échelle peuvent souvent être gérées par des modèles plus petits à une fraction du coût. De même, si vous n'avez pas besoin du contexte étendu ou de la capacité multimodale, payer pour Claude Sonnet 4.5 peut ne pas être justifié. Évaluez la complexité et la longueur de vos requêtes typiques. Pour le traitement par lots de milliers de requêtes courtes, un modèle moins cher réduit les dépenses globales. OrcaRouter propose plusieurs niveaux de modèles afin que vous puissiez faire correspondre le modèle à vos besoins réels.
Claude Sonnet 4.5 est idéal pour les tâches qui exploitent son grand contexte et ses entrées multimodales. Parmi les meilleures utilisations, on peut citer : résumer des contrats juridiques entiers ou des documents de recherche, effectuer une revue de code sur une base de code complète, générer de la documentation à partir du code, extraire des données structurées de documents scannés (images) et créer des chatbots capables de se souvenir de longs historiques de conversations. Il convient également aux applications éducatives où le modèle doit lire et raisonner sur des chapitres de manuels ou des diapositives de cours. Pour l'écriture créative, la limite élevée de tokens de sortie permet de générer du contenu long comme des histoires ou des rapports en une seule passe. Dans chaque cas, le score MMLU-Pro de 86,0 du modèle suggère un raisonnement fiable.
MMLU-Pro est un benchmark qui mesure la compréhension linguistique multi-tâches d'un modèle sur un large éventail de sujets, incluant les STEM, les sciences humaines et les sciences sociales. Il se compose de questions à choix multiples conçues pour tester à la fois les connaissances et le raisonnement. Claude Sonnet 4.5 obtient un score de 86.0 sur ce benchmark. Ce score indique que le modèle répond correctement à 86.0% des questions, le plaçant parmi les meilleurs performants pour les tâches de connaissances générales et de raisonnement. Pour contexte, MMLU-Pro est une version élargie du MMLU original avec des questions plus difficiles. Un score supérieur à 80 est considéré comme très compétitif, bien que les performances sur des tâches spécifiques puissent varier.
Les points forts de Claude Sonnet 4.5 incluent sa très grande fenêtre de contexte (1 million de tokens), une limite de sortie élevée (64k tokens), la prise en charge d'entrées multimodales, et un score MMLU-Pro de 86,0, ce qui en fait un modèle puissant pour les tâches de long contexte et multimodales. Les limitations ne sont pas spécifiées dans les données fournies, mais comme tous les LLM, il peut parfois produire des informations incorrectes ou hallucinées. Il ne dispose pas de connaissances en temps réel au-delà de sa date de coupure d'apprentissage. Il ne peut pas non plus générer d'images ou effectuer des actions en dehors de la sortie textuelle. Le coût par token est plus élevé que celui des modèles plus petits, donc il peut ne pas être économique pour des tâches simples et courtes. OrcaRouter ne revendique aucune donnée de latence spécifique, donc la vitesse dépend de l'infrastructure du fournisseur.
Aucune donnée de latence spécifique pour Claude Sonnet 4.5 n'est fournie. En général, la vitesse dépend de facteurs tels que le nombre de tokens d'entrée et de sortie, la charge du backend du fournisseur et l'architecture du modèle. En tant que modèle de niveau intermédiaire, il devrait avoir une inférence plus lente que les modèles plus petits (par exemple, Claude Haiku) mais plus rapide que les modèles plus volumineux (par exemple, Claude Opus). OrcaRouter achemine les requêtes vers l'API d'Anthropic, donc les temps de réponse sont soumis à l'infrastructure d'Anthropic. Pour les applications sensibles à la latence, il est recommandé de tester avec vos charges utiles typiques. La grande fenêtre de contexte peut augmenter le délai avant le premier token si des entrées volumineuses sont traitées, car le modèle doit ingérer tous les tokens avant de générer une sortie.
Bien que Claude Sonnet 4.5 obtienne de bons résultats sur MMLU-Pro (86.0) et prenne en charge de grands contextes, il présente des limitations communes aux LLMs. Il peut produire des informations plausibles mais incorrectes (hallucination). Sa connaissance a une date limite d'entraînement non spécifiée dans les données fournies ; il peut ignorer des événements très récents. Le modèle ne dispose pas de capacités de navigation ou de mémoire externe en dehors du contexte actuel. Le traitement multimodal d'images haute résolution peut consommer un budget de tokens important, réduisant la capacité textuelle effective. Le modèle de tarification signifie que des sorties longues ou des entrées très volumineuses peuvent devenir coûteuses. Il n'y a aucune garantie de cohérence entre des invites identiques ; la température et d'autres paramètres affectent la sortie. L'API d'OrcaRouter peut avoir des limites de débit non détaillées ici.
OrcaRouter facture Claude Sonnet 4.5 au tarif du fournisseur sans aucune majoration. Le prix est de 3,00 $ par million de tokens d'entrée et de 15,00 $ par million de tokens de sortie. Les tokens d'entrée incluent tout le texte, les équivalents de tokens d'image et les tokens de contenu de fichier envoyés dans une requête. Les tokens de sortie sont les tokens de réponse générés. Aucun frais supplémentaire n'est facturé au-delà de la consommation de tokens. Ce modèle de paiement par token signifie que les coûts augmentent linéairement avec l'utilisation. Pour une requête avec 100 000 tokens d'entrée et 10 000 tokens de sortie, le coût serait de 0,30 $ pour l'entrée et de 0,15 $ pour la sortie, soit un total de 0,45 $.
Le coût par jeton de sortie (15 $ pour 1M) est cinq fois plus élevé que le coût par jeton d'entrée (3 $ pour 1M). Cette asymétrie encourage les utilisateurs à concevoir des prompts qui minimisent la longueur des réponses générées. Par exemple, demander des réponses concises ou des sorties structurées (JSON) peut réduire les jetons de sortie. À l'inverse, les coûts d'entrée peuvent s'accumuler si de grands documents sont inclus. La fenêtre de contexte de 1M permet des entrées énormes, mais chaque jeton d'entrée entraîne un coût. Les utilisateurs devraient évaluer si l'ensemble du contexte est nécessaire. Si vous générez de longues sorties, le coût de sortie dominera. Utiliser une limite de jetons de sortie plus basse (via le paramètre max_tokens) aide à contrôler les dépenses.
OrcaRouter ne fournit pas d'informations spécifiques sur les réductions de cache ou les limites de débit pour Claude Sonnet 4.5 dans les données fournies. En général, certains fournisseurs d'API offrent la mise en cache des requêtes (c'est-à-dire ne pas retraiter les préfixes d'entrée identiques) pour réduire les coûts et la latence. Il est recommandé de consulter la documentation d'OrcaRouter pour connaître ces fonctionnalités. Des limites de débit (par exemple, requêtes par minute ou tokens par minute) peuvent s'appliquer et varier selon le niveau du compte. Les utilisateurs ayant des besoins de débit élevé doivent contacter OrcaRouter pour plus de détails. En pratique, implémentez une logique de nouvelle tentative avec backoff exponentiel dans votre application pour gérer les éventuelles réponses de limitation de débit.
Le prix de Claude Sonnet 4.5 (3 $ / 15 $ pour 1 million de tokens) se situe entre celui de modèles plus petits et moins chers (par exemple, Claude Haiku) et celui de modèles phares plus coûteux (par exemple, Claude Opus). Les prix exacts des autres modèles ne sont pas fournis, mais en général, un modèle avec un contexte de 1M et un score MMLU-Pro de 86.0 offre une proposition de valeur spécifique. Pour les tâches qui ne nécessitent pas un grand contexte ou une entrée multimodale, un modèle moins coûteux peut être plus rentable. À l'inverse, Opus (s'il est disponible) a probablement un coût par token plus élevé et potentiellement des scores de benchmark plus élevés. La politique de marge zéro d'OrcaRouter signifie que vous payez exactement le tarif du fournisseur, ce qui rend les comparaisons de coûts entre modèles transparentes.
OrcaRouter fournit un point de terminaison d'API compatible avec OpenAI. Pour utiliser Claude Sonnet 4.5, définissez l'URL de base sur https://api.orcarouter.ai/v1 et spécifiez l'ID du modèle comme "anthropic/claude-sonnet-4.5". Vous aurez besoin d'une clé API d'OrcaRouter. Le format de requête suit la structure des complétions de chat d'OpenAI : envoyez un tableau de messages avec des rôles comme 'system', 'user', 'assistant'. Pour les entrées d'images, incluez un message avec un contenu contenant à la fois des parties text et image_url. Pour les entrées de fichiers, vous devrez peut-être d'abord télécharger ou encoder le fichier sous forme de texte. La réponse contiendra le texte généré par le modèle au format standard d'OpenAI. Exemple : 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"}]}'
Lors de l'appel à Claude Sonnet 4.5 via l'API d'OrcaRouter, vous pouvez utiliser les paramètres standard d'OpenAI-chat tels que 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' et 'stream'. Le paramètre 'max_tokens' contrôle la limite de tokens de sortie, jusqu'au maximum du modèle de 64 000 tokens. Pour les requêtes multimodales, incluez 'image_url' dans le tableau de contenu d'un message. Le paramètre 'stream' prend en charge les événements envoyés par le serveur pour la génération de tokens en temps réel. Des paramètres supplémentaires comme 'seed' pour des sorties déterministes peuvent également être disponibles. Consultez la documentation d'OrcaRouter pour la liste complète. Notez que tous les paramètres d'OpenAI ne sont pas nécessairement pris en charge ; des tests sont recommandés. L'API répond avec un objet JSON contenant 'choices', chacun ayant un objet 'message'.
Si vous passez de l'API d'OpenAI à OrcaRouter pour Claude Sonnet 4.5, le processus est simple grâce à la compatibilité des API. Remplacez l'URL de base de https://api.openai.com/v1 par https://api.orcarouter.ai/v1. Remplacez votre clé API par une clé API OrcaRouter. Mettez à jour le nom du modèle en "anthropic/claude-sonnet-4.5". La plupart des codes existants utilisant le client Python d'OpenAI, le client JavaScript ou les requêtes HTTP directes devraient fonctionner avec des modifications minimes. Pour les fonctionnalités multimodales (images, fichiers), assurez-vous que la structure de vos messages correspond au format OpenAI avec des parties de contenu. Si vous utilisiez l'API native d'Anthropic, vous devrez peut-être restructurer les messages au format chat completions (rôles utilisateur/assistant). La documentation d'OrcaRouter fournit probablement des guides de migration.
Claude Opus est le modèle le plus performant et le plus coûteux d'Anthropic, tandis que Sonnet 4.5 est une offre de niveau intermédiaire. Opus obtient généralement des scores de référence plus élevés (chiffres exacts non fournis), mais coûte également plus par token. Sonnet 4.5 offre une fenêtre de contexte de 1M, généralement identique à celle d'Opus, et une limite de sortie de 64k. Le compromis se situe entre le raisonnement de haut niveau (Opus) et un équilibre plus rentable (Sonnet). Pour les tâches où le score MMLU-Pro de 86,0 de Sonnet est suffisant, celui-ci peut représenter un meilleur rapport qualité-prix. Si votre application nécessite une précision maximale sur des tâches complexes, envisagez Opus. OrcaRouter propose probablement les deux, permettant de basculer facilement en changeant l'ID du modèle.
Claude Sonnet 4.5 (MMLU-Pro 86.0) concurrence d'autres modèles milieu/haut de gamme comme GPT-4o. GPT-4o prend également en charge les entrées multimodales et dispose d'une grande fenêtre contextuelle (bien que la taille exacte puisse différer). Les tarifs et les scores de référence pour GPT-4o ne sont pas fournis ici, donc une comparaison numérique directe n'est pas possible. Les différences générales incluent les choix architecturaux et les méthodes d'entraînement. Certains utilisateurs préfèrent Claude pour sa sécurité et sa gestion des longs contextes, tandis que d'autres favorisent GPT-4o pour son écosystème plus large. Via OrcaRouter, vous pouvez tester les deux modèles avec le même format d'API et comparer les résultats sur vos données spécifiques. Le choix dépend des performances empiriques sur votre cas d'utilisation et du coût acceptable.
Choisissez Claude Sonnet 4.5 lorsque vous avez besoin d'un équilibre entre capacité, longueur de contexte et coût. Si vos tâches sont courtes et simples (par exemple, classification en un seul tour), Haiku est moins cher et plus rapide. Si vous avez besoin du meilleur raisonnement absolu et êtes prêt à payer plus, Opus est le meilleur choix. Sonnet est idéal pour le juste milieu : il offre une grande fenêtre de contexte (1M) et un score MMLU-Pro élevé (86.0) à un prix modéré. Pour les applications traitant de longs documents avec une complexité modérée, Sonnet fournit probablement une qualité suffisante sans dépenser trop. Si vous êtes incertain, l'API d'OrcaRouter vous permet de tester A/B différents modèles en changeant simplement l'ID du modèle.
Compatible OpenAI — gardez votre SDK actuel
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| Entrée / 1M tokens | $3.00 |
| Sortie / 1M tokens | $15.00 |
| Lecture cache / 1M | $0.300 |
| Écriture cache / 1M | $3.75 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/anthropic/claude-sonnet-4.5Ouvrir @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