Claude Sonnet 5 est le modèle de la classe Sonnet le plus performant d'Anthropic — des performances de pointe en codage, workflows agentiques et travail de connaissance professionnel, pour une fraction du coût du niveau Opus. Il offre une fenêtre de contexte de 1 million de tokens avec jusqu'à 128 000 tokens de sortie, accepte les entrées de texte, d'image et de fichiers avec une sortie textuelle, et prend en charge la pensée adaptative avec un effort de raisonnement sélectionnable (faible, moyen, élevé, maximum) afin que les utilisateurs puissent ajuster le compromis intelligence / latence / coût par requête. Construit comme le Sonnet le plus agentique d'Anthropic à ce jour, il affiche des gains importants par rapport à Sonnet 4.6 en codage agentique et utilisation informatique, et réduit considérablement l'écart avec Opus 4.8 — 63,2 % sur SWE-bench Pro, 80,4 % sur Terminal-Bench 2.1 et 81,2 % sur OSWorld-Verified — tout en étant bien moins cher qu'Opus 4.8, GPT-5.5 et Gemini 3.1 Pro. C'est un choix par défaut solide pour les agents sensibles au coût, les assistants de codage et les charges de travail de production à volume élevé qui exigent toujours un raisonnement de pointe.
Claude Sonnet 5 est un modèle d’Anthropic conçu pour des tâches multimodales et à long contexte. Il prend en charge jusqu’à 1 000 000 de jetons d’entrée — de quoi couvrir des bases de code entières,…
Claude Sonnet 5 excelle dans les tâches liées au code, qu'il s'agisse de lire des bases de code entières ou de générer des algorithmes complexes. Avec un contexte de 1 M de tokens, il peut ingérer plusieurs fichiers dans une seule invite, comprendre les dépendances entre fichiers et produire du code refactorisé, des explications de débogage ou des tests unitaires. Il prend en charge des langages populaires comme Python, JavaScript, Java, C++, Go, Rust et bien d'autres, en répondant dans la langue de choix de l'utilisateur. Le modèle peut également raisonner sur les chemins d'exécution du code, repérer les erreurs logiques et suggérer des optimisations. Pour des tâches comme la génération d'une API REST à partir d'une spécification, la conversion d'une base de code monolithique en microservices, ou la révision d'une pull request en examinant tous les fichiers modifiés à la fois, Claude Sonnet 5 offre une solution puissante en un seul appel. Son score OSWorld-Verified de 81,2 indique de solides performances sur des benchmarks au niveau du système d'exploitation, reflétant davantage sa maîtrise du code et des commandes.
Claude Sonnet 5 peut accepter des images en entrée—soit téléchargées directement (en base64 ou via URL), soit intégrées dans des documents—et raisonner sur leur contenu. Il peut décrire des scènes, identifier des objets, lire du texte dans des images et répondre à des questions visuelles. La compréhension d'images ne se limite pas aux photos statiques ; il peut traiter des graphiques, des diagrammes, des captures d'écran, des notes manuscrites, et même des images extraites de vidéos (si fournies sous forme d'images séquentielles). Grâce à une grande fenêtre de contexte, de nombreuses images peuvent être incluses dans une même invite pour des tâches telles que la comparaison visuelle, l'analyse de documents multipages ou la détection de changements dans une série de captures d'écran. Le modèle traite les images comme faisant partie de l'historique de la conversation, ce qui lui permet de combiner des indices visuels avec des instructions textuelles. Notez que la tokenisation des images consomme des jetons proportionnellement à la résolution ; OrcaRouter gère automatiquement l'encodage et envoie les données dans le format qu'Anthropic attend.
Bien que Claude Sonnet 5 soit rentable par token pour ses capacités, il existe des situations où un modèle plus léger peut être plus approprié. Pour la génération de texte simple — courriels courts, publications sur les réseaux sociaux ou questions-réponses basiques — un modèle plus petit et moins cher comme Claude Haiku ou GPT-4o-mini peut fournir des résultats adéquats à une fraction du coût. De même, si votre workflow implique des tâches extrêmement prévisibles et de faible complexité (par exemple, extraction de mots-clés, traduction sans nuance), la surcharge d'un modèle à grand contexte est inutile. Pour les tâches de vision qui ne nécessitent que l'OCR sans raisonnement approfondi, une API de vision dédiée peut être moins chère. De plus, si votre contexte d'entrée reste constamment sous 32K tokens, vous n'avez peut-être pas besoin de la fenêtre de 1M et pouvez utiliser un modèle avec un contexte plus petit mais un prix par token plus bas. Toujours évaluer le coût par rapport à la qualité pour votre cas d'utilisation spécifique.
Claude Sonnet 5 excelle dans les scénarios à haut contexte et multimodaux où un seul appel de modèle doit traiter des données volumineuses ou mixtes. Les cas d'utilisation idéaux incluent : l'analyse d'un dépôt de code entier pour les vulnérabilités de sécurité, la génération de documentation complète à partir d'un ensemble de documents de conception et de captures d'écran, l'examen de contrats juridiques sur des centaines de pages, l'analyse de rapports médicaux combinant des données d'imagerie et des notes cliniques, et des assistants interactifs qui maintiennent de longs historiques de conversation (par exemple, journal intime, thérapie, recherche). Ses solides capacités de raisonnement le rendent également adapté à la résolution de problèmes scientifiques, à l'extraction de données complexes à partir de PDF et à la construction d'agents intelligents qui gèrent des tâches en plusieurs étapes avec des pièces jointes. Pour l'écriture créative qui nécessite une voix cohérente sur de nombreux chapitres, la grande limite de sortie permet de produire des brouillons complets en une seule fois. Lorsqu'il est accessible via OrcaRouter, le prix sans marge réduit encore le coût de ces cas d'utilisation à volume élevé.
Claude Sonnet 5 a obtenu un score de 81,2 sur OSWorld-Verified, un benchmark conçu pour mesurer la capacité d'un modèle à effectuer des tâches liées au système d'exploitation — telles que les opérations sur les fichiers, l'exécution de commandes, le multitâche et l'utilisation de la ligne de commande — en utilisant des instructions en langage naturel. Un score de 81,2 indique que le modèle interprète et exécute de manière fiable un large éventail de commandes et de scénarios au niveau du système d'exploitation. Cela est pertinent pour les développeurs construisant des outils d'automatisation, des pipelines DevOps assistés par IA, et toute application nécessitant que le modèle fonctionne comme un assistant compétent pour les interactions avec le système d'exploitation. Le benchmark teste à la fois la génération de scripts et la capacité à comprendre des concepts du système d'exploitation tels que les chemins, les permissions et les processus. Bien que ce ne soit pas un indicateur parfait des performances réelles, ce score suggère que Claude Sonnet 5 fait partie des modèles les plus performants pour l'exécution de code agentique et les tâches au niveau système.
Les principaux atouts de Claude Sonnet 5 sont sa grande fenêtre de contexte (1M tokens), sa limite de sortie élevée (128K tokens), son raisonnement multimodal robuste et sa compétence au niveau du système d'exploitation (81,2 OSWorld-Verified). Il traite de longs documents, des bases de code complexes et des entrées mixtes avec une grande cohérence. Cependant, comme tous les modèles, il a des limites. Le contexte effectif peut voir ses performances se dégrader vers la toute fin de la fenêtre ; Anthropic recommande de rester en dessous d'environ 900K tokens pour de meilleurs résultats. Le modèle peut avoir du mal avec des références culturelles très nuancées, la génération de données factuelles (il peut halluciner des chiffres) et les tâches nécessitant des connaissances en temps réel au-delà de sa date limite de formation (Anthropic n'a pas divulgué la date exacte, mais elle se situe approximativement au début de 2025). Les capacités de vision sont bonnes, mais pas à la pointe pour la détection fine d'objets. Le prix, bien que sans marge bénéficiaire, reste plus élevé que celui des modèles plus petits. La latence est typique d'un grand modèle : les réponses peuvent être plus lentes en raison du traitement du grand contexte.
La latence de Claude Sonnet 5 dépend fortement de la taille d'entrée et de la longueur de sortie. Avec un contexte de 1 million de tokens, le traitement initial de la requête peut prendre de plusieurs secondes à plusieurs minutes, car le modèle doit parcourir toute la fenêtre. Une fois le traitement commencé, la vitesse de génération des tokens se situe généralement entre 20 et 40 tokens par seconde (selon la charge et l'infrastructure du fournisseur). Des entrées plus petites (par exemple quelques centaines de tokens) auront une latence de premier token plus rapide, souvent inférieure à une seconde. Le streaming est activé par défaut via l'API d'OrcaRouter, ce qui vous permet de voir les tokens de sortie au fur et à mesure de leur génération. Pour les applications sensibles à la latence (par exemple le chat en temps réel), il est conseillé d'utiliser un modèle plus petit ou de réduire le contexte. OrcaRouter n'ajoute pas de latence significative au-delà de l'API native d'Anthropic — la surcharge est négligeable car il relaie la requête vers les points de terminaison d'Anthropic.
Anthropic n'a pas encore publié publiquement une suite complète de benchmarks pour Claude Sonnet 5 au moment de la rédaction. Le seul chiffre fourni est 81.2 sur OSWorld-Verified. En termes de raisonnement général, le modèle se comporte probablement de manière similaire aux autres modèles Claude Sonnet sur les benchmarks NLP standards comme MMLU, HumanEval et GSM8K, mais les scores exacts ne sont pas disponibles auprès du fournisseur. En pratique, les premiers retours d'utilisateurs suggèrent de bonnes performances sur la génération de code, le question-réponse sur documents et les tâches de récupération en contexte long. Nous vous recommandons d'effectuer votre propre évaluation par rapport à votre cas d'utilisation spécifique, car les benchmarks peuvent être trompeurs. OrcaRouter vous permet de tester le modèle rapidement via son API sans coût initial — il suffit de définir l'identifiant du modèle sur "anthropic/claude-sonnet-5" et de commencer à interagir pour évaluer les performances sur vos données.
Claude Sonnet 5 sur OrcaRouter est facturé au tarif du fournisseur Anthropic, sans marge : 2,00 $ pour 1 million de tokens d’entrée et 10,00 $ pour 1 million de tokens de sortie. Les tokens d’entrée et de sortie sont tous deux comptés comme des tokens de texte standard (les images et fichiers sont tokenisés selon le schéma d’Anthropic). Aucun frais supplémentaire pour l’authentification, les limites de débit ou le transfert de données. OrcaRouter facture en fonction du nombre brut de tokens rapporté par Anthropic ; cela inclut tout prompt système, messages utilisateur, tokens d’image et réponse générée. La facturation est basée sur l’utilisation et vous ne payez que ce que vous consommez. Pour les utilisateurs intensifs, ce modèle transparent évite les frais surprises. Aucun montant minimum ni contrat requis — vous ajoutez simplement des crédits ou configurez la facturation dans le tableau de bord d’OrcaRouter, et votre utilisation est déduite aux tarifs ci-dessus.
Les prix de Claude Sonnet 5 (2 $ / 10 $ par million de tokens) se situent entre les modèles les moins chers d’Anthropic (comme Haiku à 0,25 $ / 1,25 $) et ses modèles premium (comme Claude Opus à 15 $ / 75 $). Pour les tâches nécessitant un long contexte, le coût par million de tokens est relativement faible compte tenu de la capacité d’un million de tokens. Cependant, si vous utilisez l’ensemble de la fenêtre de contexte, le coût absolu par requête peut s’accumuler — une requête complète d’un million de tokens d’entrée coûte 2,00 $ rien que pour l’entrée. Comparez cela à l’utilisation d’un modèle à contexte plus court comme GPT-4o-mini (0,15 $ / 0,60 $) pour des requêtes courtes. Le compromis : Claude Sonnet 5 offre une meilleure qualité de raisonnement et une plus grande capacité, mais à un prix par token plus élevé. Pour les tâches qui nécessitent réellement un grand contexte ou un raisonnement multimodal, le modèle peut être plus efficace que de diviser le travail entre plusieurs appels API. La marge zéro d’OrcaRouter garantit que vous ne payez pas de frais d’intermédiaire supplémentaires, la comparaison est donc directe avec les autres fournisseurs.
OrcaRouter n'offre actuellement pas de couche de mise en cache de prompt séparée pour Claude Sonnet 5 ; tous les tokens sont facturés au tarif standard d'entrée. Bien que l'API d'Anthropic elle-même puisse prendre en charge la mise en cache de prompt pour certains modèles (réduisant le coût pour les préfixes répétés), OrcaRouter transmet les tokens au même prix, indépendamment de la répétition. En pratique, si vous envoyez exactement le même grand prompt système de manière répétée, vous serez toujours facturé pour les tokens d'entrée à chaque fois. Il n'y a pas de réduction pour le contexte mis en cache. Ceci est important à considérer si votre flux de travail implique des instructions statiques et longues — il peut être plus rentable d'utiliser un modèle plus petit ou une architecture différente. Cependant, la marge zéro d'OrcaRouter signifie que vous ne payez pas de frais supplémentaires ; le coût est purement le prix affiché par Anthropic. Des fonctionnalités de mise en cache futures pourraient être ajoutées, mais pour l'instant, la tarification est par appel basée sur le nombre total de tokens.
Si vous envoyez une entrée qui dépasse la fenêtre de contexte de 1 000 000 de jetons, OrcaRouter renverra une erreur (généralement un statut 400 avec un message concernant la longueur du contexte). Le modèle ne tronquera pas l'entrée ; vous devez gérer manuellement le nombre de jetons. Pour la sortie, si le modèle atteint le maximum de 128 000 jetons avant d'avoir terminé, il cessera de générer et renverra un `finish_reason` de `"length"` (dans la réponse de l'API). Vous pouvez alors poursuivre la conversation en envoyant une nouvelle requête avec la sortie accumulée comme historique. OrcaRouter ne réessaie ni ne divise automatiquement votre requête ; il est de votre responsabilité de rester dans les limites. Des outils comme tiktoken peuvent vous aider à estimer le nombre de jetons de vos prompts. Pour les entrées très longues, envisagez un découpage ou une approche par fenêtre glissante, bien que le grand contexte de Claude Sonnet 5 élimine souvent le besoin de découpage.
Pour utiliser Claude Sonnet 5 via OrcaRouter, définissez l'URL de base sur https://api.orcarouter.ai/v1 et utilisez l'ID de modèle "anthropic/claude-sonnet-5". L'API est entièrement compatible avec le format de chat completions d'OpenAI, vous pouvez donc utiliser les bibliothèques clientes OpenAI existantes. Par exemple, en Python avec le paquet openai : définissez api_key sur votre clé OrcaRouter, base_url sur le point de terminaison OrcaRouter, et model sur "anthropic/claude-sonnet-5". Vous pouvez envoyer des messages avec role, content (texte et/ou parties image_url pour la vision). La réponse contiendra les champs standards : id, object, choices, usage (prompt_tokens, completion_tokens). Le streaming est pris en charge en définissant stream=True. OrcaRouter gère l'authentification et achemine votre requête vers le backend d'Anthropic. Aucune configuration supplémentaire n'est nécessaire—juste votre clé API et l'identifiant de modèle correct.
Vous pouvez utiliser les paramètres standard compatibles avec OpenAI avec OrcaRouter : messages (obligatoire), model (obligatoire, défini sur "anthropic/claude-sonnet-5"), temperature (0-2, par défaut 1), top_p (0-1, par défaut 1), max_tokens (par défaut 4096, jusqu'à 128000), stop sequences (tableau de chaînes), frequency_penalty, presence_penalty (les deux de -2 à 2), et stream (booléen). De plus, vous pouvez passer des paramètres spécifiques à Anthropic via le champ extra_headers— par exemple, anthropic-version pour spécifier la version de l'API. OrcaRouter ajoute automatiquement les en-têtes Anthropic requis. Pour les messages multimodaux, incluez le contenu sous forme d'une liste de parties avec le type text ou image_url. Notez que le modèle prend en charge les outils/fonctions (appel d'outil parallèle). La réponse inclut finish_reason, les statistiques d'utilisation et choices. Il n'y a pas de paramètre séparé pour la taille de la fenêtre de contexte ; le modèle utilise intrinsèquement sa capacité de 1M.
La migration est simple car OrcaRouter fournit une API compatible avec OpenAI. Si vous utilisez déjà l'API d'OpenAI, changez simplement le base_url en https://api.orcarouter.ai/v1 et modifiez le paramètre model en "anthropic/claude-sonnet-5". Votre code existant pour construire les messages, gérer le streaming et analyser les réponses devrait fonctionner sans modifications — OrcaRouter renvoie des réponses standard conformes à OpenAPI. Si vous utilisiez un autre fournisseur comme l'API native d'Anthropic (qui utilise un format différent), vous devrez peut-être adapter votre schéma de messages au format OpenAI (rôles : system, user, assistant). La documentation d'OrcaRouter fournit des guides de migration. Différences clés : Claude Sonnet 5 prend en charge les messages système, les outils et les parties multimodales. Assurez-vous que votre entrée ne dépasse pas la limite de 1M tokens. Commencez par un petit appel de test pour confirmer la connectivité et comprendre la latence avant de passer à l'échelle.
Claude Sonnet 5 améliore son prédécesseur principalement par la taille de la fenêtre de contexte (1M contre 200K tokens) et la limite de sortie (128K contre 8K), ce qui le rend bien mieux adapté à l'analyse de longs documents et de bases de code. Il introduit également la prise en charge des fichiers en entrée en plus du texte et des images, alors que Sonnet 4 était limité au texte et aux images. Les benchmarks entre les deux ne sont pas publiés directement, mais le score OSWorld-Verified de 81.2 pour Sonnet 5 indique une avancée significative dans l'exécution de tâches au niveau du système d'exploitation. Les prix ont augmenté — le coût d'entrée de Sonnet 4 était de $3/M tokens, Sonnet 5 est à $2/M — il est donc en fait moins cher par token d'entrée. La sortie est à $10/M contre $15/M pour Sonnet 4, soit une réduction de 33%. Dans l'ensemble, Sonnet 5 offre un meilleur rapport qualité-prix pour la plupart des cas d'utilisation, en particulier ceux nécessitant un grand contexte. Cependant, Sonnet 4 peut encore être disponible et moins cher pour les tâches courtes où le grand contexte n'est pas nécessaire.
Claude Sonnet 5 et GPT-4o d'OpenAI sont tous deux des modèles multimodaux avec un raisonnement solide, mais ils diffèrent par leurs fenêtres de contexte (Sonnet 5 : 1M tokens ; GPT-4o : 128K tokens) et leurs limites de sortie (Sonnet 5 : 128K ; GPT-4o : 16K). Sonnet 5 offre une capacité nettement plus grande, ce qui le rend meilleur pour des tâches comme le traitement de bases de code entières ou de longs livres. GPT-4o a une latence typique plus rapide et une intégration plus large avec l'écosystème d'OpenAI (plugins, DALL-E, etc.). Tarification : GPT-4o coûte 2,50 $ / 10 $ par million de tokens (entrée/sortie), similaire à Sonnet 5. Les deux obtiennent des scores de raisonnement élevés, mais le score 81.2 OSWorld-Verified de Sonnet 5 n'est pas directement comparable à aucun benchmark de GPT-4o. Pour l'automatisation au niveau OS, Sonnet 5 semble plus fort. Pour l'écriture créative ou les discussions générales, GPT-4o peut être légèrement plus polyvalent en raison de ses données d'entraînement plus volumineuses et de l'utilisation d'outils. Le choix dépend des besoins contextuels ; via OrcaRouter, vous pouvez passer facilement de l'un à l'autre.
Google Gemini 1.5 Pro offre un contexte de 1 million de tokens (comme Sonnet 5) et des capacités multimodales, mais la sortie de Gemini est limitée à 8 000 tokens, bien moins que les 128 000 de Sonnet 5. Le prix de Gemini est de 3,50 $ / 10,50 $ par million de tokens (entrée/sortie), ce qui rend Sonnet 5 légèrement moins cher pour l'entrée. Les deux modèles obtiennent de bons résultats sur les benchmarks de raisonnement, mais le score OSWorld de 81,2 de Sonnet 5 est un différenciateur clé — les performances de Gemini au niveau OS ne sont pas mises en avant de la même manière. Gemini 1.5 Pro prend en charge l'exécution de code native et peut générer du code avec exécution, tandis que Sonnet 5 repose sur un sandboxing externe. Pour la génération de texte pur à grande échelle, la limite de sortie plus élevée de Sonnet 5 est un avantage évident. Les deux modèles prennent en charge les pièces jointes et les images. La qualité de récupération en contexte long est compétitive ; des différences mineures peuvent apparaître dans des domaines spécifiques. Via OrcaRouter, vous pouvez comparer les deux 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-5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningresponse_formatstopstructured_outputstool_choicetoolsverbosity| Entrée / 1M tokens | $2.00 |
| Sortie / 1M tokens | $10.00 |
| Lecture cache / 1M | $0.200 |
| Écriture cache / 1M | $2.50 |
| 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-5Ouvrir @misc{orcarouter_claude_sonnet_5,
title = {Claude Sonnet 5 API},
author = {Anthropic},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/anthropic/claude-sonnet-5}
}Anthropic. (2026). Claude Sonnet 5 API. OrcaRouter. https://www.orcarouter.ai/models/anthropic/claude-sonnet-5