Claude Sonnet 5.5 su Extra Effort: perché l'affermazione del "prossimo modello Claude" fallisce entrambi i suoi stessi test

Alle 12:44 UTC del 5 novembre, un account X chiamato @chetaslua ha pubblicato una frase che è circolata in varie forme da ottobre: "Sonnet 5.5 Extra sembra instradare verso il prossimo modello Claude." La mattina seguente il post aveva 20.900 visualizzazioni, 384 Mi piace e 38 risposte. Il modello che nomina è uno che puoi invocare oggi — Claude Sonnet 5.5, rilasciato il 28 settembre a 2 e 10 dollari per milione di token. La parola "Extra" non è un secondo modello. È il secondo livello più alto del menu degli sforzi di Claude, che Anthropic etichetta Extra high e che l'API chiama xhigh.

Vengono offerti due test come prova: una domanda su dove sia andato Andrej Karpathy nel 2026, e un pellicano su una bicicletta disegnato interamente in SVG. Entrambi i test vengono superati dal modello che Anthropic ha rilasciato a settembre. È proprio questa la difficoltà con l'affermazione. Un test verifica un fatto che cade un mese all'interno della finestra di addestramento di Claude Sonnet 5.5 stesso. L'altro misura una quantità che l'impostazione Extra ha lo scopo di aumentare. Nessuno dei due può distinguere "ha risposto un modello migliore" da "l'impostazione che ho scelto ha fatto ciò che la sua documentazione dice che faccia".

Questo non rende il post privo di valore. Lo rende un esemplare limpido di un test che sembra decisivo e non lo è — e le due mosse che utilizza, una sonda sulla conoscenza e un confronto della dimensione dell'output, sono le stesse due mosse alla base della maggior parte delle affermazioni sul routing di questo autunno. Esaminarle passo per passo è più utile di un altro giro di congetture su ciò che Anthropic non ha annunciato.

Cosa è stato effettivamente pubblicato

Il post descrive una singola sessione di chat e due prompt. Il primo chiedeva dove fosse andato Karpathy nel 2026 e istruiva il modello a non usare il web; la risposta diceva che si era unito ad Anthropic a maggio 2026 nel team di pretraining. Il secondo chiedeva «un pellicano che va in bicicletta il più realisticamente possibile solo tramite codice», e il risultato viene descritto come 26.599 elementi SVG, circa 6.500 tratti di piume, nessuna immagine incorporata, data URI o script, e 1.860 righe di Python. Da questi due scambi l'autore del post conclude che l'etichetta stia servendo qualcosa di più recente del modello che nomina.

Non è accompagnato da nulla. Nessun identificatore di modello, nessuna rate card, nessuna system card, nessuna dichiarazione di Anthropic. Il successore a cui allude circola con diversi nomi da ottobre, nessuno dei quali è di Anthropic e nessuno dei quali è richiamabile. L'elenco dei modelli di Anthropic, consultato oggi, riporta quattro modelli attuali: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 e Claude Haiku 5.5. Non c'è una quinta riga, e nel post non c'è alcun identificatore che un lettore possa verificare.

Che cos'è "Extra", prima che diventi un mistero

Il menu dello sforzo nelle app di Claude elenca cinque livelli — Basso, Medio, Alto, Extra alto (xhigh) e Max — con il livello consigliato dal modello contrassegnato come Predefinito. «Extra» è il modo in cui le persone abbreviano il quarto. La documentazione di riferimento di Anthropic descrive xhigh come una capacità estesa per lavori a lungo orizzonte, pensata per «attività agente e di programmazione di lunga durata (oltre 30 minuti) con budget di token nell'ordine dei milioni». È il fornitore che ti dice, in anticipo, che questo livello è pensato per consumare molto più di quello sottostante.

Anche il gradino è calibrato per modello, non a livello globale. La nota di migrazione di Anthropic per questa generazione afferma chiaramente che i livelli di effort di Claude Sonnet 5.5 sono ricalibrati — un livello «non produce la stessa quantità di pensiero che produceva su Claude Sonnet 5» — e dice agli sviluppatori di rieseguire la propria scansione dei livelli di effort invece di trasferire un'impostazione. Ne conseguono due effetti, entrambi banali ed entrambi fatali per l'inferenza. Una richiesta a Extra su Sonnet 5.5 non è la stessa richiesta di Extra sul suo predecessore, quindi «sembra diverso da quello che ricordo» è previsto. E girare una manopola da High a Extra è un'istruzione a spendere più token, quindi un disegno più lungo, più denso e più elaborato è il risultato richiesto.

C’è un ultimo dettaglio superficiale che vale la pena chiarire, perché è qui che le etichette smettono di corrispondere. Il valore predefinito di effort dell’API di Claude per questo modello è high; quello predefinito di Claude Code per lo stesso modello è medium. Una risposta dell’app impostata su Extra, una risposta dell’API con il suo valore predefinito e una risposta di Claude Code con il suo valore predefinito sono tre diverse configurazioni di un unico modello. Confrontare due qualsiasi di queste e concludere che sia comparso un nuovo modello significa confrontare valori predefiniti, non checkpoint.

Prova uno: un fatto di maggio verificato rispetto a una data limite di giugno

La questione Karpathy è la più solida delle due sonde, perché, a differenza della maggior parte di questi test, la sua risposta può essere verificata rispetto alla documentazione pubblica. Ed è verificata. Karpathy ha annunciato su X il 19 maggio 2026 di essersi unito ad Anthropic; quella settimana ha iniziato nel team di pre-addestramento, con riporto diretto a Nick Joseph, e ha dichiarato che avrebbe creato un team incentrato sull’uso di Claude per accelerare la ricerca sul pre-addestramento. La risposta descritta dal post — si è unito ad Anthropic, maggio 2026, team di pre-addestramento — è accurata.

Il problema è l'accuratezza. Il cutoff delle conoscenze affidabili di Claude Sonnet 5.5 è giugno 2026, e il suo cutoff dei dati di addestramento è lo stesso. L'assunzione è avvenuta circa un mese prima di quella linea. Un Claude Sonnet 5.5 rilasciato, a cui viene posta questa domanda con il web disattivato, dovrebbe rispondere, e rispondere è ciò che la sua documentazione prevede. La sonda ha prodotto il risultato nullo ed è stata interpretata come la scoperta.

Vale la pena essere precisi su ciò che una sonda di conoscenza può e non può fare, perché è qui che la maggior parte di queste affermazioni sbaglia:

• Una risposta corretta su un evento precedente al cutoff è priva di informazioni. Ogni modello della linea è stato addestrato su di esso.

• Una risposta errata sarebbe stata informativa — nella direzione opposta. Se un modello che dovrebbe conoscere un'assunzione di maggio 2026 la nega, questa è la prova di un checkpoint diverso e più debole, non di uno più forte e non annunciato.

• Solo un fatto successivo al cut-off è discriminante. Un fatto pubblicato dopo giugno 2026, sul quale nessun modello della linea attuale avrebbe potuto essere addestrato, è l’unica tipologia di domanda che separa un nuovo checkpoint da uno vecchio. Karpathy ha pubblicato un resoconto del suo flusso di lavoro sul proprio blog il 2 novembre. Chiedere il suo contenuto con il web disattivato sarebbe stato un vero test. Chiedere dove sia andato a maggio non lo sarebbe stato.

Test due: un conteggio dei pellicani che misura la verbosità

Il pelican prompt è l'eval ad hoc di lunga data di Simon Willison, e lui l'ha eseguito su Claude Sonnet 5.5 il 28 settembre, il giorno in cui il modello è stato rilasciato. I suoi risultati pubblicati sono il baseline utile in questo caso, perché sono datati, attribuiti e misurati invece che contati a occhio.

• Al massimo dello sforzo — un livello sopra quello usato nel post — il modello ha consumato 128.000 token di output, ha raggiunto il limite, è costato $1,28 e non ha prodotto alcun SVG.

• A xhigh — il livello che il post chiama Extra — lo stesso modello ha prodotto un pellicano in 41 secondi per 5,74 centesimi.

Leggi insieme quelle due righe e il secondo test del post crolla. Il modello rilasciato in Extra disegna già l'uccello — è l'esecuzione da 41 secondi e 5,74 cent — quindi un uccello in Extra non è anomalo. Il modello rilasciato un gradino sopra Extra non disegna proprio nulla, quindi su questo compito la manopola dello sforzo è la variabile dominante con ampio margine, e la manopola dello sforzo è l'unica cosa che il post ha cambiato. Un risultato che si muove con l'impostazione che hai girato è una prova riguardo all'impostazione.

Il conteggio degli elementi merita un calcolo a sé, perché è il numero che più probabilmente verrà ripetuto. Anthropic afferma che 1M di token corrisponde a circa 2,5M di caratteri con il tokenizer attuale. Se 26.599 elementi avessero in media 40 caratteri ciascuno — una stima prudente una volta inclusi i dati dei percorsi e gli attributi — il disegno sarebbe di circa 1,06M di caratteri, ovvero all'incirca 424.000 token. Si tratta di più del triplo del limite di output sincrono di 128.000 token, e anche al di sopra del limite batch di 300.000 token. Se gli elementi avessero in media sette caratteri, lo stesso conteggio rientrerebbe comodamente in circa 74.000 token.

Quindi il conteggio è limitato dalla densità di markup, non dalla potenza del modello, e un modello più conciso registra un numero più grande. La descrizione del post stesso punta all'interpretazione più probabile: nella stessa chat compaiono 1.860 righe di Python, e uno script che itera sulle piume può emettere 26.599 elementi senza che il modello ne scriva 26.599. Il post non dice se quel codice abbia disegnato il pellicano o fosse un artefatto separato, ed è esattamente il dettaglio di cui un lettore avrebbe bisogno. Quello che si può dire senza il file è che il conteggio degli elementi è una misura della verbosità su un livello il cui compito documentato è produrre di più.

L'unica riga davvero interessante nella descrizione è quella negativa: nessuna immagine incorporata, nessun data URI, nessuno script. Un pellicano con quel livello di dettaglio, costruito solo da primitive vettoriali, è un vero risultato. È però un risultato che riguarda la qualità dell'output, e la qualità dell'output con un'impostazione di impegno più alta è la cosa meno sorprendente che un modello possa offrire.

L'unico modo documentato in cui un Claude diverso risponde

Niente di tutto ciò dimostra che Anthropic non servirebbe mai una richiesta sotto un'unica etichetta con pesi diversi. Significa però che tale affermazione deve spiegare i meccanismi che Anthropic documenta, ed entrambi vanno nella direzione opposta.

Il primo è il fallback di rifiuto. Una richiesta rifiutata restituisce HTTP 200 con stop_reason: "refusal" e un oggetto stop_details che indica l'area della policy. Il fallback lato server, impostato con fallbacks: "default" e in beta sull'API Claude, ritenta i rifiuti cyber e frontier_llm su Claude Sonnet 5 — il modello più vecchio e più economico. Questo è un caso documentato di una richiesta a Sonnet 5.5 a cui risponde qualcos'altro, ed è un downgrade che si annuncia nella risposta.

Il secondo è il binding dei blocchi di pensiero. I blocchi di pensiero registrano quale modello li ha prodotti e, quando una conversazione passa a un modello che non è in grado di leggerli, l'API li elimina prima che il modello veda la richiesta, segnalando l'eliminazione in input_transformations quando l'header beta è impostato. Questo è l'API che ti dice che il modello che serve la richiesta è cambiato. Nessuno dei due meccanismi promuove una richiesta claude-sonnet-5-5 a un modello più potente e non annunciato con la stessa stringa.

L'assenza di un meccanismo non è prova che non stia succedendo nulla. È tuttavia lo standard che l'affermazione deve soddisfare: una storia di routing che descrive sempre e solo un miglioramento deve spiegare perché l'unico percorso che Anthropic pubblica va in discesa e lascia una ricevuta.

La cosa più vicina a una verifica esterna è l’indice che i valutatori indipendenti eseguono sul modello distribuito da Anthropic. Artificial Analysis colloca Claude Sonnet 5.5 a 55 sul suo Intelligence Index v5.0.1, nono su 69 modelli rispetto a una mediana di 37. È una lettura della stringa così come viene servita oggi, ed è la superficie sulla quale ci si aspetterebbe che prima o poi emerga un checkpoint materialmente più forte nascosto sotto lo stesso nome.

Che aspetto avrebbe un test che potrebbe risolverlo

Se vuoi sapere se l'etichetta che hai davanti viene servita da qualcos'altro, l'esperimento non è difficile. È solo meno divertente che postare un pellicano.

Fissa l'identificatore, non l'etichetta. Chiama claude-sonnet-5-5 con un valore effort esplicito, così la richiesta è la stessa ogni volta. Un'etichetta in un menu è una superficie del prodotto; un identificatore è un target.

• Campiona più di una volta. Una singola risposta a un livello è un aneddoto. Dieci a high e dieci a xhigh, stesso prompt di sistema, stesso max_tokens, ti danno due distribuzioni. Lo sforzo produce uno spostamento regolare e monotono nella lunghezza dell'output. Un checkpoint diverso tende a produrre una discontinuità nel contenuto che la lunghezza non spiega.

• Usa un fatto successivo al cutoff. Un cutoff a giugno 2026 significa che tutto ciò che è pubblicato dopo giugno è utilizzabile e tutto ciò che è precedente è inutile come sonda. Questo è l'unico cambiamento che avrebbe reso sensato eseguire il test del 5 novembre.

• Leggi l'oggetto response, poi non dargli troppo peso. I campi model, usage, stop_reason e stop_details vale la pena registrarli, e lì è visibile un fallback di rifiuto. Ma quei campi riecheggiano ciò che il server dice di aver fatto. Sono un'affermazione, non un'ispezione — la stessa categoria di prova che chiedere a un modello di descrivere se stesso.

• Calcola il prezzo prima di eseguirlo. A 2 $ e 10 $ per milione di token, una risposta da 128.000 token costa 1,28 $, che è la cifra di Willison e anche semplicemente quella del listino. Venti risposte lasciate arrivare al limite costano circa 25 $.

Quanto costa Extra mentre aspetti una risposta

C'è una questione pratica sotto il rumor che non dipende dal fatto di risolverlo. Claude Sonnet 5.5 fattura il thinking come output, il thinking conta ai fini di max_tokens, e Extra è documentato per budget di token nell'ordine dei milioni. Una singola risposta che consuma un milione di token di output costa $10 solo sul lato output, con un tariffario che molti team hanno scelto proprio perché era la fascia economica.

Un gradino sopra Extra, il run misurato del pelican ha raggiunto il limite di 128.000 token ed è costato $1,28 senza produrre un disegno. Il costo di una richiesta fallita su questo modello non è zero.

• Un gradino più in basso, la stessa attività è stata completata in 41 secondi per 5,74 centesimi. Il divario tra i due è più che venti volte tanto, ed è determinato da un menu a discesa.

• Un team che esegue 1.000 richieste Extra al giorno a 30.000 token di output ciascuna spende 30 milioni di token di output al giorno, ovvero 300 $, senza nemmeno contare l'input.

Questa è la parte su cui un lettore può agire oggi, indipendentemente da ciò che Anthropic rilascerà in seguito. Se Extra è un modello diverso, il guadagno imprevisto è reale ma non pianificabile. Se Extra è ciò che dice il suo nome, allora un carico di lavoro che non è stato passato in rassegna rispetto a high e medium sta pagando per una completezza che nessuno ha misurato.

OrcaRouter instrada Claude Sonnet 5.5 ai prezzi del fornitore stesso, 2 e 10 $, senza alcun ricarico aggiuntivo, e l'effort è un parametro per singola richiesta anziché un contratto separato, quindi una scansione dell'effort su tutti i livelli è un ciclo dentro uno script. È anche l'onesta copertura contro un'affermazione come questa: fissa l'identificatore del modello che intendevi, esegui lo stesso prompt a ogni livello e confronta i tuoi conteggi di token invece di uno screenshot. Quando una questione di routing non può essere risolta dall'esterno, la cosa migliore successiva è un setup in cui la risposta è misurabile sul tuo stesso traffico — e in cui il failover verso high o verso un modello diverso è un cambio di configurazione anziché una migrazione.

Cosa cambierebbe questa pagina

Un identificatore di modello, un tariffario, una scheda di sistema o una frase di Anthropic che nomina il successore. Uno qualsiasi di questi risolve la questione in un pomeriggio, e nessuno di essi esiste oggi. Finché non ne esiste uno, la descrizione onesta della cosa dietro l'etichetta è quella che pubblica Anthropic: Claude Sonnet 5.5, una data di cut-off di giugno 2026, cinque livelli di impegno e una ragione documentata per credere che un pellicano più grande a un'impostazione più alta sia un pellicano più grande a un'impostazione più alta.

L'impostazione stessa del post svela il trucco. Confronta Extra con un'aspettativa, non con una misurazione — lo stesso livello su Sonnet 5, o lo stesso livello al massimo, o una baseline pubblicata dalla settimana del lancio. Quei confronti esistono e costano poco. Finché qualcuno non li esegue, «sembra routing» è la descrizione di un menu a tendina che fa il suo lavoro.