Claude Sonnet 4.5 adalah model Sonnet paling canggih dari Anthropic hingga saat ini, dioptimalkan untuk agen dunia nyata dan alur kerja pengkodean. Model ini memberikan performa terdepan pada tolok ukur pengkodean seperti SWE-bench Verified, dengan...
Claude Sonnet 4.5 adalah model bahasa besar dari Anthropic, tersedia melalui API yang kompatibel dengan OpenAI milik OrcaRouter. Model ini diposisikan di antara tingkatan model Haiku dan Opus milik…
Claude Sonnet 4.5 berkinerja baik pada tugas-tugas yang memerlukan penalaran mendalam terhadap teks panjang, seperti analisis dokumen, perangkuman, dan ekstraksi. Skor MMLU-Pro sebesar 86.0 menunjukkan pengetahuan faktual yang kuat dan kemampuan penalaran di berbagai subjek. Model ini juga efektif dalam pembuatan kode, debugging, dan refactoring, terutama untuk proyek besar yang muat dalam jendela konteksnya. Untuk tugas multimodal, ia dapat menafsirkan gambar dan memberikan deskripsi, menjawab pertanyaan tentang konten visual, atau mengekstrak informasi dari diagram. Kemampuan output sebanyak 64.000 token memungkinkannya menghasilkan respons yang komprehensif, sehingga berguna untuk menulis konten panjang atau menghasilkan data terstruktur.
Claude Sonnet 4.5 menerima gambar dan file sebagai bagian dari inputnya bersama teks. Ketika sebuah gambar diberikan, model menafsirkan konten visualnya—seperti objek, teks dalam gambar, atau hubungan spasial—dan dapat menjawab pertanyaan atau mengikuti instruksi berdasarkan interpretasi tersebut. File dapat diunggah dalam berbagai format; model mengekstrak konten tekstual dan memprosesnya dalam konteks yang sama. Hal ini memungkinkan tugas seperti menganalisis faktur yang dipindai (gambar) dan spreadsheet terkait (file) secara bersamaan. Model tidak menghasilkan gambar; outputnya selalu berupa teks. Pemrosesan multimodal menggunakan token: gambar mengonsumsi token yang sebanding dengan resolusinya, dan konten file di-tokenisasi sebagai teks.
Jika tugas Anda sederhana, berkonteks pendek, atau bermodus tunggal (hanya teks), model berbiaya lebih rendah seperti Anthropic's Claude Haiku mungkin lebih tepat. Misalnya, klasifikasi sederhana, Q&A pendek, atau pembuatan teks skala kecil sering kali dapat ditangani oleh model yang lebih kecil dengan biaya yang jauh lebih murah. Demikian pula, jika Anda tidak memerlukan konteks yang diperluas atau kemampuan multimodal, membayar untuk Claude Sonnet 4.5 mungkin tidak sepadan. Evaluasi kompleksitas dan panjang dari pertanyaan khas Anda. Untuk pemrosesan batch ribuan permintaan pendek, model yang lebih murah mengurangi pengeluaran keseluruhan. OrcaRouter menawarkan beberapa tingkatan model sehingga Anda dapat mencocokkan model dengan kebutuhan aktual Anda.
Claude Sonnet 4.5 ideal untuk tugas-tugas yang memanfaatkan konteks besarnya dan input multimodal. Contoh penggunaan terbaik meliputi: merangkum seluruh kontrak hukum atau makalah penelitian, melakukan tinjauan kode pada seluruh basis kode, menghasilkan dokumentasi dari kode, mengekstrak data terstruktur dari dokumen hasil pindaian (gambar), dan membangun chatbot yang perlu mengingat riwayat percakapan yang panjang. Ini juga sangat cocok untuk aplikasi pendidikan di mana model harus membaca dan menalar tentang bab buku teks atau slide kuliah. Untuk penulisan kreatif, batas token keluaran yang tinggi memungkinkan pembuatan konten bentuk panjang seperti cerita atau laporan dalam satu langkah. Dalam setiap kasus, skor 86.0 MMLU-Pro model menunjukkan penalaran yang andal.
MMLU-Pro adalah tolok ukur yang mengukur pemahaman bahasa multi-tugas suatu model di berbagai subjek, termasuk STEM, humaniora, dan ilmu sosial. Tolok ukur ini terdiri dari pertanyaan pilihan ganda yang dirancang untuk menguji pengetahuan dan penalaran. Claude Sonnet 4.5 mencapai skor 86,0 pada tolok ukur ini. Skor ini menunjukkan bahwa model tersebut menjawab 86,0% pertanyaan dengan benar, menempatkannya di antara pelaku yang kuat untuk tugas pengetahuan umum dan penalaran. Sebagai konteks, MMLU-Pro adalah versi perluasan dari MMLU asli dengan pertanyaan yang lebih menantang. Skor di atas 80 dianggap sangat kompetitif, meskipun kinerja pada tugas tertentu dapat bervariasi.
Kelebihan Claude Sonnet 4.5 mencakup jendela konteks yang sangat besar (1M token), batas output yang tinggi (64k token), dukungan input multimodal, dan skor MMLU-Pro yang kuat yaitu 86.0. Fitur-fitur ini membuatnya kuat untuk tugas-tugas konteks panjang dan multimodal. Keterbatasan tidak disebutkan dalam data yang diberikan, tetapi seperti semua LLM, terkadang dapat menghasilkan informasi yang salah atau halusinasi. Ia tidak memiliki pengetahuan waktu nyata di luar batas pelatihannya. Ia juga tidak dapat menghasilkan gambar atau melakukan tindakan di luar output teks. Biaya per token lebih tinggi daripada model yang lebih kecil, sehingga mungkin tidak ekonomis untuk tugas-tugas sederhana dan pendek. OrcaRouter tidak mengklaim data latensi tertentu, sehingga kecepatan tergantung pada infrastruktur penyedia.
Tidak ada data latensi spesifik yang disediakan untuk Claude Sonnet 4.5. Secara umum, kecepatan tergantung pada faktor-faktor seperti jumlah token masukan dan keluaran, beban backend penyedia, dan arsitektur model. Sebagai model tingkat menengah, model ini diperkirakan memiliki inferensi yang lebih lambat dibandingkan model yang lebih kecil (misalnya, Claude Haiku) tetapi lebih cepat dibandingkan model yang lebih besar (misalnya, Claude Opus). OrcaRouter merutekan permintaan ke API Anthropic, sehingga waktu respons tergantung pada infrastruktur Anthropic. Untuk aplikasi yang sensitif terhadap latensi, disarankan untuk menguji dengan muatan (payload) khas Anda. Jendela konteks yang besar dapat meningkatkan waktu hingga token pertama jika memproses masukan yang besar, karena model harus menyerap semua token sebelum menghasilkan keluaran.
Meskipun Claude Sonnet 4.5 menunjukkan kinerja yang baik pada MMLU-Pro (86,0) dan mendukung konteks yang besar, model ini memiliki keterbatasan yang umum pada LLM. Model ini dapat menghasilkan informasi yang tampak masuk akal tetapi tidak akurat (halusinasi). Pengetahuannya memiliki tanggal batas pelatihan yang tidak disebutkan dalam data yang diberikan; model ini mungkin tidak mengetahui peristiwa terkini. Model ini tidak memiliki kemampuan menjelajah atau memori eksternal di luar konteks saat ini. Pemrosesan multimodal untuk gambar beresolusi tinggi dapat menghabiskan banyak token, sehingga mengurangi kapasitas teks yang efektif. Model harga berarti bahwa output panjang atau input yang sangat besar dapat menjadi mahal. Tidak ada jaminan konsistensi di seluruh perintah yang identik; suhu dan parameter lainnya memengaruhi output. API OrcaRouter mungkin memiliki batas kecepatan yang tidak dirinci di sini.
OrcaRouter menagih Claude Sonnet 4.5 sesuai tarif penyedia tanpa markup. Harganya $3,00 per 1 juta token input dan $15,00 per 1 juta token output. Token input mencakup semua teks, ekuivalen token gambar, dan token konten file yang dikirim dalam permintaan. Token output adalah token respons yang dihasilkan. Tidak ada biaya tambahan di luar konsumsi token. Model bayar per token ini berarti biaya berskala linier dengan penggunaan. Untuk permintaan dengan 100.000 token input dan 10.000 token output, biayanya adalah $0,30 untuk input dan $0,15 untuk output, total $0,45.
Biaya per token output ($15 per 1M) lima kali lebih tinggi dari biaya token input ($3 per 1M). Asimetri ini mendorong pengguna untuk merancang prompt yang meminimalkan panjang respons yang dihasilkan. Misalnya, meminta jawaban singkat atau output terstruktur (JSON) dapat mengurangi token output. Sebaliknya, biaya input dapat bertambah jika dokumen besar disertakan. Jendela konteks 1M memungkinkan input yang sangat besar, tetapi setiap token input dikenakan biaya. Pengguna harus mengevaluasi apakah seluruh konteks diperlukan. Jika Anda menghasilkan output yang panjang, biaya output akan mendominasi. Menggunakan batas token output yang lebih rendah (via parameter max_tokens) membantu mengontrol pengeluaran.
OrcaRouter tidak memberikan informasi spesifik tentang diskon caching atau batas tarif untuk Claude Sonnet 4.5 dalam data yang diberikan. Secara umum, beberapa penyedia API menawarkan caching prompt (misalnya, tidak memproses ulang prefiks input yang identik) untuk mengurangi biaya dan latensi. Disarankan untuk memeriksa dokumentasi OrcaRouter untuk fitur-fitur tersebut. Batas tarif (misalnya, permintaan per menit atau token per menit) mungkin berlaku dan bervariasi berdasarkan tingkatan akun. Pengguna dengan kebutuhan throughput tinggi harus menghubungi OrcaRouter untuk detailnya. Sebagai praktik terbaik, terapkan logika percobaan ulang dengan exponential backoff dalam aplikasi Anda untuk menangani kemungkinan respons pembatasan tarif.
Harga Claude Sonnet 4.5 ($3/$15 per 1M token) berada di antara model kecil yang lebih murah (misalnya, Claude Haiku) dan model flagship yang lebih mahal (misalnya, Claude Opus). Harga pasti model lainnya tidak diberikan, tetapi secara umum, model dengan konteks 1M dan skor 86.0 MMLU-Pro menawarkan proposisi nilai tertentu. Untuk tugas yang tidak memerlukan konteks besar atau input multimodal, model yang lebih murah mungkin lebih hemat biaya. Sebaliknya, Opus (jika tersedia) kemungkinan memiliki biaya per token yang lebih tinggi dan berpotensi skor tolok ukur yang lebih tinggi. Kebijakan markup nol OrcaRouter berarti Anda membayar persis tarif penyedia, membuat perbandingan biaya antar model menjadi transparan.
OrcaRouter menyediakan titik akhir API yang kompatibel dengan OpenAI. Untuk menggunakan Claude Sonnet 4.5, atur URL dasar menjadi https://api.orcarouter.ai/v1 dan tentukan ID model sebagai "anthropic/claude-sonnet-4.5". Anda memerlukan kunci API dari OrcaRouter. Format permintaan mengikuti struktur chat completions OpenAI: kirim sebuah array pesan dengan peran seperti 'system', 'user', 'assistant'. Untuk input gambar, sertakan pesan dengan konten yang memiliki bagian teks dan image_url. Untuk input file, Anda mungkin perlu mengunggah atau mengenkode file terlebih dahulu sebagai teks. Respons akan berisi teks yang dihasilkan model dalam format standar OpenAI. Contoh: 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"}]}'.
Saat memanggil Claude Sonnet 4.5 melalui API OrcaRouter, Anda dapat menggunakan parameter OpenAI-chat standar seperti 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop', dan 'stream'. Parameter 'max_tokens' mengontrol batas token output, hingga maksimal model 64.000 token. Untuk permintaan multimodal, sertakan 'image_url' dalam array konten pesan. Parameter 'stream' mendukung server-sent events untuk generasi token secara real-time. Parameter tambahan seperti 'seed' untuk output deterministik mungkin juga tersedia. Lihat dokumentasi OrcaRouter untuk daftar lengkap. Perhatikan bahwa tidak semua parameter OpenAI didukung; disarankan untuk melakukan pengujian. API merespon dengan objek JSON yang berisi 'choices', masing-masing dengan objek 'message'.
Jika Anda beralih dari API OpenAI ke OrcaRouter untuk Claude Sonnet 4.5, prosesnya mudah karena kompatibilitas API. Ubah URL dasar dari https://api.openai.com/v1 menjadi https://api.orcarouter.ai/v1. Ganti kunci API Anda dengan kunci API OrcaRouter. Perbarui nama model menjadi "anthropic/claude-sonnet-4.5". Sebagian besar kode yang ada yang menggunakan klien Python OpenAI, klien JavaScript, atau permintaan HTTP langsung seharusnya tetap berfungsi dengan modifikasi minimal. Untuk fitur multimodal (gambar, file), pastikan struktur pesan Anda sesuai dengan format OpenAI dengan bagian konten. Jika Anda menggunakan API asli Anthropic, Anda mungkin perlu menyusun ulang pesan ke dalam format chat completions (peran pengguna/asisten). Dokumentasi OrcaRouter kemungkinan menyediakan panduan migrasi.
Claude Opus adalah model paling canggih dan termahal dari Anthropic, sementara Sonnet 4.5 adalah penawaran tingkat menengah. Opus umumnya mencapai skor benchmark yang lebih tinggi (angka pasti tidak diberikan), tetapi juga lebih mahal per token. Sonnet 4.5 menyediakan jendela konteks 1M, sama seperti Opus pada umumnya, dan batas output 64k. Pertukaran terjadi antara penalaran tingkat atas (Opus) dan keseimbangan yang lebih hemat biaya (Sonnet). Untuk tugas-tugas di mana skor MMLU-Pro Sonnet sebesar 86.0 sudah memadai, Sonnet mungkin menawarkan nilai yang lebih baik. Jika aplikasi Anda membutuhkan akurasi maksimum pada tugas yang menantang, pertimbangkan Opus. OrcaRouter kemungkinan menawarkan keduanya, memungkinkan peralihan mudah dengan mengubah ID model.
Claude Sonnet 4.5 (MMLU-Pro 86.0) bersaing dengan model kelas menengah hingga atas lainnya seperti GPT-4o. GPT-4o juga mendukung input multimodal dan memiliki jendela konteks yang besar (meskipun ukuran pastinya mungkin berbeda). Harga dan skor tolok ukur untuk GPT-4o tidak disediakan di sini, sehingga perbandingan numerik langsung tidak memungkinkan. Perbedaan umum meliputi pilihan arsitektur dan metode pelatihan. Beberapa pengguna lebih menyukai Claude karena keamanan dan penanganan konteks panjang, sementara yang lain lebih memilih GPT-4o karena ekosistemnya yang lebih luas. Melalui OrcaRouter, Anda dapat menguji kedua model dengan format API yang sama dan membandingkan hasil pada data spesifik Anda. Pilihan tergantung pada kinerja empiris pada kasus penggunaan Anda dan biaya yang dapat diterima.
Pilihlah Claude Sonnet 4.5 ketika Anda membutuhkan keseimbangan antara kemampuan, panjang konteks, dan biaya. Jika tugas Anda pendek dan sederhana (misalnya, klasifikasi satu putaran), Haiku lebih murah dan lebih cepat. Jika Anda membutuhkan penalaran terbaik mutlak dan bersedia membayar lebih, Opus adalah pilihan yang lebih baik. Sonnet ideal untuk jalan tengah: ia menawarkan jendela konteks besar (1M) dan skor MMLU-Pro yang kuat (86.0) dengan harga moderat. Untuk aplikasi yang memproses dokumen panjang dengan kompleksitas sedang, Sonnet kemungkinan memberikan kualitas yang memadai tanpa pengeluaran berlebih. Jika Anda ragu, API OrcaRouter memungkinkan Anda untuk melakukan uji A/B terhadap model yang berbeda hanya dengan mengubah ID model.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
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| Input / 1M token | $3.00 |
| Output / 1M token | $15.00 |
| Baca cache / 1M | $0.300 |
| Tulis cache / 1M | $3.75 |
| Mata uang | USD |
Perkiraan berdasarkan harga daftar
Hanya perkiraan — jumlah token sebenarnya bergantung pada tokenizer penyedia.
GET /api/public/models/anthropic/claude-sonnet-4.5Buka @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