Claude Sonnet 4.5 è il modello Sonnet più avanzato di Anthropic fino ad oggi, ottimizzato per agenti reali e flussi di lavoro di codifica. Offre prestazioni all'avanguardia su benchmark di codifica come SWE-bench Verified, con...
Claude Sonnet 4.5 è un modello linguistico di grandi dimensioni di Anthropic, disponibile tramite l'API compatibile con OpenAI di OrcaRouter. È posizionato tra i livelli di modello Haiku e Opus di…
Claude Sonnet 4.5 si comporta bene in compiti che richiedono un ragionamento approfondito su testi lunghi, come l'analisi di documenti, la sintesi e l'estrazione. Il suo punteggio MMLU-Pro di 86.0 indica una solida conoscenza fattuale e capacità di ragionamento su un'ampia gamma di argomenti. Il modello è anche efficace nella generazione di codice, debug e refactoring, in particolare per progetti di grandi dimensioni che rientrano nella sua finestra di contesto. Per compiti multimodali, può interpretare immagini e fornire descrizioni, rispondere a domande sui contenuti visivi o estrarre informazioni da diagrammi. La capacità di output di 64.000 token le consente di produrre risposte complete, rendendola utile per scrivere contenuti lunghi o generare dati strutturati.
Claude Sonnet 4.5 accetta immagini e file come parte del suo input insieme al testo. Quando viene fornita un'immagine, il modello interpreta il suo contenuto visivo—come oggetti, testo all'interno dell'immagine o relazioni spaziali—e può rispondere a domande o seguire istruzioni basate su tale interpretazione. I file possono essere caricati in vari formati; il modello estrae il contenuto testuale e lo elabora nello stesso contesto. Ciò consente attività come l'analisi simultanea di una fattura scansionata (immagine) e di un relativo foglio di calcolo (file). Il modello non genera immagini; il suo output è sempre testo. L'elaborazione multimodale utilizza token: le immagini consumano token proporzionali alla loro risoluzione e il contenuto del file viene tokenizzato come testo.
Se i tuoi compiti sono semplici, con contesto breve o a singola modalità (solo testo), un modello a costo inferiore come Anthropic's Claude Haiku potrebbe essere più appropriato. Ad esempio, classificazione semplice, brevi domande e risposte o generazione di testo su piccola scala possono spesso essere gestite da modelli più piccoli a una frazione del costo. Allo stesso modo, se non hai bisogno del contesto esteso o della capacità multimodale, pagare per Claude Sonnet 4.5 potrebbe non essere giustificato. Valuta la complessità e la lunghezza delle tue richieste tipiche. Per l'elaborazione in batch di migliaia di richieste brevi, un modello più economico riduce la spesa complessiva. OrcaRouter offre più livelli di modelli in modo da poter abbinare il modello alle tue reali esigenze.
Claude Sonnet 4.5 è ideale per attività che sfruttano il suo ampio contesto e gli input multimodali. Esempi di utilizzi ottimali includono: riassumere interi contratti legali o documenti di ricerca, eseguire revisioni del codice su un intero codebase, generare documentazione dal codice, estrarre dati strutturati da documenti scansionati (immagini) e creare chatbot che devono ricordare lunghe cronologie di conversazione. È anche adatto per applicazioni educative in cui il modello deve leggere e ragionare su capitoli di libri di testo o diapositive di lezioni. Per la scrittura creativa, l'elevato limite di token di output consente di generare contenuti di lunga forma come storie o report in un unico passaggio. In ogni caso, il punteggio MMLU-Pro di 86,0 del modello suggerisce un ragionamento affidabile.
MMLU-Pro è un benchmark che misura la comprensione multilingua di un modello in un'ampia gamma di materie, tra cui STEM, scienze umane e scienze sociali. Consiste in domande a scelta multipla progettate per testare sia la conoscenza che il ragionamento. Claude Sonnet 4.5 raggiunge un punteggio di 86.0 su questo benchmark. Questo punteggio indica che il modello risponde correttamente all'86.0% delle domande, collocandolo tra i migliori performer per compiti di conoscenza generale e ragionamento. Per contesto, MMLU-Pro è una versione ampliata del MMLU originale con domande più impegnative. Un punteggio superiore a 80 è considerato molto competitivo, sebbene le prestazioni su compiti specifici possano variare.
I punti di forza di Claude Sonnet 4.5 includono la sua finestra di contesto molto ampia (1M token), un limite di output elevato (64k token), supporto per input multimodali e un forte punteggio MMLU-Pro di 86.0. Queste caratteristiche lo rendono potente per attività a contesto lungo e multimodali. I limiti non sono specificati nei dati forniti, ma come tutti i LLM, potrebbe talvolta produrre informazioni errate o allucinate. Non ha conoscenze in tempo reale oltre il suo cutoff di addestramento. Inoltre, non può generare immagini o eseguire azioni al di fuori dell'output testuale. Il costo per token è più alto rispetto ai modelli più piccoli, quindi potrebbe non essere economico per compiti semplici e brevi. OrcaRouter non rivendica alcun dato specifico sulla latenza, quindi la velocità dipende dall'infrastruttura del fornitore.
Non vengono forniti dati specifici sulla latenza per Claude Sonnet 4.5. In generale, la velocità dipende da fattori come il numero di token in input e output, il carico del backend del provider e l'architettura del modello. Essendo un modello di fascia media, ci si aspetta un'inferenza più lenta rispetto ai modelli più piccoli (ad esempio Claude Haiku), ma più veloce rispetto a quelli più grandi (ad esempio Claude Opus). OrcaRouter instrada le richieste verso l'API di Anthropic, quindi i tempi di risposta sono soggetti all'infrastruttura di Anthropic. Per applicazioni sensibili alla latenza, si consiglia di testare con i propri carichi tipici. L'ampia finestra di contesto può aumentare il time-to-first-token se si elaborano input molto grandi, poiché il modello deve assimilare tutti i token prima di generare l'output.
Sebbene Claude Sonnet 4.5 ottenga buoni risultati su MMLU-Pro (86.0) e supporti contesti ampi, presenta limitazioni comuni ai LLM. Può produrre informazioni plausibili ma errate (allucinazioni). La sua conoscenza ha una data di cutoff dell'addestramento non specificata nei dati forniti; potrebbe non essere a conoscenza di eventi molto recenti. Il modello non dispone di capacità di navigazione o di memoria esterna al di fuori del contesto corrente. L'elaborazione multimodale di immagini ad alta risoluzione può consumare una quantità significativa di token, riducendo la capacità testuale effettiva. Il modello di pricing implica che output lunghi o input molto grandi possano diventare costosi. Non vi è garanzia di coerenza tra prompt identici; la temperatura e altri parametri influenzano l'output. L'API di OrcaRouter potrebbe avere limiti di frequenza non specificati in questa sede.
OrcaRouter fattura Claude Sonnet 4.5 alla tariffa del fornitore senza alcun ricarico. Il prezzo è $3.00 per 1 milione di token di input e $15.00 per 1 milione di token di output. I token di input includono tutto il testo, gli equivalenti dei token delle immagini e i token del contenuto dei file inviati in una richiesta. I token di output sono i token della risposta generata. Non ci sono costi aggiuntivi oltre al consumo di token. Questo modello pay-per-token significa che i costi scalano linearmente con l'utilizzo. Per una richiesta con 100.000 token di input e 10.000 token di output, il costo sarebbe $0.30 per l'input e $0.15 per l'output, per un totale di $0.45.
Il costo per token di output ($15 per 1M) è cinque volte superiore al costo per token di input ($3 per 1M). Questa asimmetria incoraggia gli utenti a progettare prompt che minimizzino la lunghezza delle risposte generate. Ad esempio, chiedere risposte concise o output strutturati (JSON) può ridurre i token di output. Al contrario, i costi di input possono accumularsi se vengono inclusi documenti di grandi dimensioni. La finestra di contesto di 1M consente input enormi, ma ogni token di input comporta un costo. Gli utenti dovrebbero valutare se l'intero contesto sia necessario. Se si generano output lunghi, il costo di output sarà dominante. Utilizzare un limite inferiore di token di output (tramite il parametro max_tokens) aiuta a controllare la spesa.
OrcaRouter non fornisce informazioni specifiche sugli sconti per caching o sui limiti di velocità per Claude Sonnet 4.5 nei dati forniti. In generale, alcuni provider API offrono il caching delle richieste (ovvero, non rielaborare prefissi di input identici) per ridurre costi e latenza. Si consiglia di consultare la documentazione di OrcaRouter per eventuali funzionalità di questo tipo. Possono essere applicati limiti di velocità (ad esempio, richieste al minuto o token al minuto) e variano in base al livello dell'account. Gli utenti con esigenze di throughput elevato dovrebbero contattare OrcaRouter per maggiori dettagli. Come buona pratica, implementa una logica di tentativi con backoff esponenziale nella tua applicazione per gestire potenziali risposte di limitazione della velocità.
Il prezzo di Claude Sonnet 4.5 ($3/$15 per 1 milione di token) si colloca tra modelli più piccoli ed economici (es. Claude Haiku) e modelli di punta più costosi (es. Claude Opus). I prezzi esatti degli altri modelli non vengono forniti, ma in generale un modello con contesto da 1 milione e punteggio MMLU-Pro 86.0 offre una proposta di valore specifica. Per attività che non richiedono un contesto ampio o input multimodali, un modello meno costoso può essere più vantaggioso. Al contrario, Opus (se disponibile) ha probabilmente un costo per token più elevato e potenzialmente punteggi benchmark più alti. La politica di zero markup di OrcaRouter significa che paghi esattamente la tariffa del provider, rendendo trasparenti i confronti dei costi tra modelli.
OrcaRouter fornisce un endpoint API compatibile con OpenAI. Per utilizzare Claude Sonnet 4.5, imposta l'URL di base su https://api.orcarouter.ai/v1 e specifica l'ID del modello come "anthropic/claude-sonnet-4.5". Avrai bisogno di una chiave API da OrcaRouter. Il formato della richiesta segue la struttura delle chat completions di OpenAI: invia un array di messaggi con ruoli come 'system', 'user', 'assistant'. Per input di immagini, includi un messaggio con contenuto che ha sia parti di testo che image_url. Per input di file, potrebbe essere necessario prima caricare o codificare il file come testo. La risposta conterrà il testo generato dal modello nel formato standard di OpenAI. Esempio: 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"}]}'.
Quando si chiama Claude Sonnet 4.5 tramite l'API di OrcaRouter, è possibile utilizzare parametri standard di OpenAI-chat come 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' e 'stream'. Il parametro 'max_tokens' controlla il limite di token di output, fino al massimo del modello di 64.000 token. Per richieste multimodali, includere 'image_url' all'interno dell'array di contenuto di un messaggio. Il parametro 'stream' supporta eventi inviati dal server per la generazione di token in tempo reale. Possono essere disponibili anche parametri aggiuntivi come 'seed' per output deterministici. Fare riferimento alla documentazione di OrcaRouter per l'elenco completo. Nota che potrebbero non essere supportati tutti i parametri di OpenAI; si consiglia di testare. L'API risponde con un oggetto JSON contenente 'choices', ognuno con un oggetto 'message'.
Se si sta passando dall'API di OpenAI a OrcaRouter per Claude Sonnet 4.5, il processo è semplice grazie alla compatibilità delle API. Modificare l'URL di base da https://api.openai.com/v1 a https://api.orcarouter.ai/v1. Sostituire la propria chiave API con una chiave API di OrcaRouter. Aggiornare il nome del modello in "anthropic/claude-sonnet-4.5". La maggior parte del codice esistente che utilizza il client Python di OpenAI, il client JavaScript o richieste HTTP dirette dovrebbe funzionare con modifiche minime. Per funzionalità multimodali (immagini, file), assicurarsi che la struttura dei messaggi corrisponda al formato di OpenAI con parti di contenuto. Se si utilizzava l'API nativa di Anthropic, potrebbe essere necessario ristrutturare i messaggi nel formato chat completions (ruoli utente/assistente). La documentazione di OrcaRouter fornisce probabilmente guide alla migrazione.
Claude Opus è il modello più potente e costoso di Anthropic, mentre Sonnet 4.5 è un'offerta di fascia media. Opus generalmente ottiene punteggi benchmark più alti (dati esatti non forniti), ma costa anche di più per token. Sonnet 4.5 fornisce una finestra di contesto di 1M, la stessa di Opus tipicamente, e un limite di output di 64k. Il compromesso è tra un ragionamento di alto livello (Opus) e un equilibrio più conveniente (Sonnet). Per attività in cui il punteggio MMLU-Pro di Sonnet di 86.0 è sufficiente, potrebbe rappresentare un valore migliore. Se la tua applicazione richiede la massima accuratezza su compiti impegnativi, considera Opus. OrcaRouter probabilmente offre entrambi, permettendo un facile passaggio cambiando l'ID del modello.
Claude Sonnet 4.5 (MMLU-Pro 86.0) compete con altri modelli di fascia medio-alta come GPT-4o. GPT-4o supporta anche input multimodali e ha una finestra di contesto ampia (sebbene la dimensione esatta possa variare). Prezzi e punteggi benchmark per GPT-4o non sono forniti qui, quindi un confronto numerico diretto non è possibile. Le differenze generali includono scelte architetturali e metodi di addestramento. Alcuni utenti preferiscono Claude per la sicurezza e la gestione di contesti lunghi, mentre altri favoriscono GPT-4o per il suo ecosistema più ampio. Tramite OrcaRouter, puoi testare entrambi i modelli con lo stesso formato API e confrontare i risultati sui tuoi dati specifici. La scelta dipende dalle prestazioni empiriche per il tuo caso d'uso e dal costo accettabile.
Scegli Claude Sonnet 4.5 quando hai bisogno di un equilibrio tra capacità, lunghezza del contesto e costo. Se i tuoi compiti sono brevi e semplici (ad esempio, classificazione a turno singolo), Haiku è più economico e veloce. Se hai bisogno del ragionamento assolutamente migliore e sei disposto a pagare di più, Opus è la scelta migliore. Sonnet è ideale per la via di mezzo: offre un'ampia finestra di contesto (1M) e un forte punteggio MMLU-Pro (86,0) a un prezzo moderato. Per applicazioni che elaborano documenti lunghi con complessità moderata, Sonnet probabilmente fornisce una qualità sufficiente senza spendere troppo. Se non sei sicuro, l'API di OrcaRouter ti consente di testare A/B modelli diversi semplicemente cambiando l'ID del modello.
Compatibile con OpenAI: mantieni il tuo SDK
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 |
| Lettura cache / 1M | $0.300 |
| Scrittura cache / 1M | $3.75 |
| Valuta | USD |
Stima basata sul prezzo di listino
Solo una stima — il numero effettivo di token dipende dal tokenizzatore del provider.
GET /api/public/models/anthropic/claude-sonnet-4.5Apri @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