Claude Sonnet 5.5 w trybie Extra Effort: dlaczego twierdzenie o „następnym modelu Claude” nie przechodzi obu własnych testów

5 listopada o 12:44 UTC konto X o nazwie @chetaslua opublikowało zdanie, które krąży w różnych formach od października: „Sonnet 5.5 Extra wygląda na kierowanie do następnego modelu Claude”. Do następnego ranka post miał 20 900 wyświetleń, 384 polubienia i 38 odpowiedzi. Wymieniony w nim model to ten, który możesz wywołać już dziś — Claude Sonnet 5.5, udostępniony 28 września w cenie 2 i 10 USD za milion tokenów. Słowo „Extra” nie oznacza drugiego modelu. To drugi najwyższy poziom na liście poziomów wysiłku Claude’a, który Anthropic określa jako Extra high, a API nazywa xhigh.

Jako dowód podaje się dwa testy: pytanie o to, gdzie w 2026 roku udał się Andrej Karpathy, oraz pelikana na rowerze narysowanego w całości w SVG. Oba testy przechodzi model, który Anthropic wydał we wrześniu. Na tym polega cała trudność z tym twierdzeniem. Jeden test sprawdza fakt, który przypada miesiąc w obrębie okna treningowego modelu Claude Sonnet 5.5 — czyli jego własnego okna treningowego. Drugi mierzy wielkość, którą ustawienie Extra ma zwiększać. Żaden nie pozwala odróżnić „odpowiedział lepszy model” od „wybrane ustawienie zrobiło to, co mówi jego dokumentacja”.

To nie czyni tego wpisu bezwartościowym. Czyni go czystym okazem testu, który wydaje się rozstrzygający, a taki nie jest — a dwa posunięcia, których używa, czyli sondowanie wiedzy i porównanie rozmiaru wyjścia, to te same dwa posunięcia stojące za większością twierdzeń o routingu z tej jesieni. Przeanalizowanie ich jest bardziej użyteczne niż kolejna runda zgadywania, czego Anthropic nie ogłosił.

Co faktycznie zostało opublikowane?

Wpis opisuje pojedynczą sesję czatu i dwa polecenia. W pierwszym zapytano, gdzie Karpathy trafił w 2026 roku, i polecono modelowi nie korzystać z sieci; w odpowiedzi stwierdzono, że w maju 2026 roku dołączył do Anthropic do zespołu ds. wstępnego trenowania. W drugim poproszono o „pelikana jadącego na rowerze, tak realistycznie, jak potrafisz, tylko za pomocą kodu”, a wynik opisano jako 26 599 elementów SVG, około 6500 pociągnięć piór, bez osadzonych obrazów, URI danych ani skryptów oraz 1860 linii Pythona. Na podstawie tych dwóch wymian autor wpisu wnioskuje, że etykieta obsługuje coś nowszego niż model, który nazywa.

Nic mu nie towarzyszy. Żaden identyfikator modelu, żadna karta stawek, żadna karta systemowa, żadne oświadczenie Anthropic. Następca, na którego wskazuje, krąży pod kilkoma nazwami od października, z których żadna nie należy do Anthropic i żadna nie jest możliwa do wywołania. Sama lista modeli Anthropic, czytana dziś, zawiera cztery aktualne modele: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 i Claude Haiku 5.5. Nie ma piątego wiersza ani żadnego identyfikatora gdziekolwiek we wpisie, który czytelnik mógłby przetestować.

Czym jest „Extra”, zanim stanie się tajemnicą

Menu wysiłku w aplikacjach Claude'a zawiera pięć poziomów — Low, Medium, High, Extra high (xhigh) i Max — przy czym zalecany przez model poziom jest oznaczony jako Default. „Extra” to skrót, którego ludzie używają na określenie czwartego poziomu. Własna dokumentacja referencyjna Anthropic opisuje xhigh jako rozszerzone możliwości do pracy długoterminowej, przeznaczone do „długotrwałych zadań agentowych i kodowania (ponad 30 minut) z budżetami tokenów w milionach”. To dostawca z góry mówi ci, że ten poziom ma zużywać znacznie więcej niż poziom poniżej.

Szczebel jest też kalibrowany dla każdego modelu, a nie globalnie. Nota migracyjna Anthropic dla tej generacji mówi wprost, że poziomy wysiłku Claude Sonnet 5.5 zostały skalibrowane na nowo — poziom „nie generuje takiej samej ilości myślenia, jak w Claude Sonnet 5” — i każe deweloperom ponownie przeprowadzić przegląd poziomów wysiłku, zamiast przenosić ustawienie. Wynikają z tego dwie konsekwencje, obie nudne i obie zabójcze dla tego wniosku. Żądanie na poziomie Extra w Sonnet 5.5 nie jest tym samym żądaniem co Extra u jego poprzednika, więc „wydaje się inne niż to, co pamiętam” jest oczekiwane. A przekręcenie pokrętła z High na Extra to instrukcja wydania większej liczby tokenów, więc dłuższy, gęstszy, bardziej rozbudowany rysunek jest oczekiwanym wynikiem.

Jest jeszcze jeden szczegół na powierzchni, który warto ustalić, ponieważ to tam etykiety przestają się zgadzać. Domyślny poziom wysiłku Claude API dla tego modelu to high; domyślny poziom Claude Code dla tego samego modelu to medium. Odpowiedź z aplikacji przy Extra, odpowiedź z API przy ustawieniu domyślnym i odpowiedź z Claude Code przy ustawieniu domyślnym to trzy różne konfiguracje jednego modelu. Porównywanie dowolnych dwóch z nich i wyciąganie wniosku, że pojawił się nowy model, to porównywanie ustawień domyślnych, a nie checkpointów.

Test pierwszy: majowy fakt sprawdzony względem czerwcowej daty granicznej

Pytanie o Karpathy'ego jest mocniejszym z dwóch testów, ponieważ w przeciwieństwie do większości tych sprawdzeń jego odpowiedź można zweryfikować w publicznych źródłach. Potwierdza się. Karpathy ogłosił na X 19 maja 2026 r., że dołączył do Anthropic; w tym tygodniu rozpoczął pracę w zespole pre-trainingu, podlegając Nickowi Josephowi, i powiedział, że zbuduje zespół skupiony na wykorzystaniu Claude'a do przyspieszenia badań nad pre-trainingiem. Odpowiedź opisana w poście — dołączył do Anthropic, maj 2026, zespół pretrainingu — jest trafna.

Problemem jest dokładność. Wiarygodny punkt odcięcia wiedzy Claude'a Sonnet 5.5 to czerwiec 2026 i jego punkt odcięcia danych treningowych jest taki sam. Zatrudnienie nastąpiło około miesiąca przed tą granicą. Wydany Claude Sonnet 5.5 zapytany o to przy wyłączonej sieci powinien na to odpowiedzieć, a odpowiedź na to jest tym, co przewiduje jego dokumentacja. Sonda dała wynik zerowy i odczytano go jako ustalenie.

Warto być precyzyjnym co do tego, co sonda wiedzy może, a czego nie może zrobić, ponieważ właśnie tutaj większość z tych twierdzeń się myli:

• Poprawna odpowiedź na temat wydarzenia sprzed daty granicznej nie wnosi informacji. Każdy model w tej linii został na nim wytrenowany.

• Błędna odpowiedź byłaby pouczająca — w przeciwnym kierunku. Jeśli model, który powinien znać zatrudnienie z maja 2026 r., temu zaprzecza, jest to dowód na inny, słabszy checkpoint, a nie na mocniejszy, nieogłoszony.

• Tylko fakt po dacie odcięcia pozwala odróżnić. Fakt opublikowany po czerwcu 2026 r., na którym żaden model z obecnej linii nie mógł zostać wytrenowany, to jedyny rodzaj pytania, który odróżnia nowy checkpoint od starego. Karpathy opublikował 2 listopada wpis opisujący workflow na swoim blogu. Zapytanie o jego treść przy wyłączonym dostępie do sieci byłoby prawdziwym testem. Zapytanie, gdzie pojechał w maju, nie było.

Test drugi: zliczanie pelikanów, które mierzy gadatliwość

Prompt o pelikanie to wieloletni doraźny eval Simona Willisona, a uruchomił go na Claude Sonnet 5.5 28 września, w dniu premiery modelu. Jego opublikowane wyniki są tu użytecznym punktem odniesienia, ponieważ są datowane, przypisane i zmierzone, a nie policzone na oko.

• Przy maksymalnym wysiłku — o jeden szczebel powyżej tego, którego użył wpis — model zużył 128 000 tokenów wyjściowych, osiągnął limit, kosztował 1,28 USD i w ogóle nie wygenerował SVG.

• Przy xhigh — poziomie, który post nazywa Extra — ten sam model wygenerował pelikana w 41 sekund za 5,74 centa.

Przeczytaj te dwie linijki razem, a drugi test z wpisu się załamuje. Wdrożony model na poziomie Extra już rysuje ptaka — to ten 41-sekundowy przebieg za 5,74 centa — więc ptak na poziomie Extra nie jest anomalią. Wdrożony model o jeden szczebel wyżej niż Extra nie rysuje zupełnie nic, więc w tym zadaniu pokrętło wysiłku jest dominującą zmienną z dużą przewagą, a pokrętło wysiłku to jedyna rzecz, którą wpis zmienił. Wynik, który zmienia się wraz z ustawieniem, które przekręciłeś, jest dowodem na temat tego ustawienia.

Liczba elementów zasługuje na osobną arytmetykę, ponieważ jest to liczba najczęściej powtarzana. Anthropic podaje, że 1 mln tokenów to około 2,5 mln znaków w obecnym tokenizerze. Jeśli 26 599 elementów miało średnio po 40 znaków — ostrożna wartość, gdy uwzględni się dane ścieżek i atrybuty — rysunek miałby około 1,06 mln znaków, czyli około 424 000 tokenów. To ponad trzykrotnie więcej niż limit synchronicznego wyjścia wynoszący 128 000 tokenów i powyżej limitu wsadowego 300 000 tokenów. Gdyby elementy miały średnio siedem znaków, ta sama liczba zmieściłaby się wygodnie w około 74 000 tokenów.

Zatem liczba jest ograniczona gęstością znaczników, a nie siłą modelu, i bardziej zwięzły model podaje większą liczbę. Sam opis posta wskazuje na bardziej prawdopodobną interpretację: w tym samym czacie pojawia się 1,860 linii Pythona, a skrypt, który iteruje po piórach, może wygenerować 26,599 elementów, mimo że model nie napisał 26,599 elementów. Post nie mówi, czy ten kod narysował pelikana, czy był osobnym artefaktem — a to dokładnie ten szczegół, którego czytelnik potrzebowałby. Bez pliku można powiedzieć tylko tyle, że liczba elementów jest miarą gadatliwości na szczeblu, którego udokumentowanym zadaniem jest generowanie większej liczby.

Jedyny naprawdę interesujący fragment opisu to ten negatywny: żadnych osadzonych obrazów, żadnych data URI, żadnych skryptów. Pelikan o takim poziomie szczegółowości zbudowany wyłącznie z prymitywów wektorowych to prawdziwy wynik. To jednak wynik dotyczący jakości danych wyjściowych, a jakość danych wyjściowych przy wyższym ustawieniu wysiłku to najmniej zaskakująca rzecz, jaką model może zaoferować.

Jedyny udokumentowany sposób, w jaki odpowiada inny Claude

Nic z tego nie dowodzi, że Anthropic nigdy nie obsłużyłoby żądania pod jedną etykietą z innymi wagami. Oznacza to jednak, że twierdzenie musi wyjaśnić mechanizmy, które Anthropic dokumentuje, a oba z nich wskazują w przeciwnym kierunku.

Pierwszy to awaryjna obsługa odmowy. Odrzucone żądanie zwraca HTTP 200 ze stop_reason: „refusal” i obiektem stop_details wskazującym obszar polityki. Awaryjna obsługa po stronie serwera, ustawiana przez fallbacks: „default” i dostępna w wersji beta w Claude API, ponawia odrzucenia w obszarach cyber i frontier_llm na Claude Sonnet 5 — starszym, tańszym modelu. To udokumentowany przypadek, w którym żądanie do Sonnet 5.5 obsługuje coś innego, i jest to degradacja, która daje o sobie znać w odpowiedzi.

Drugi mechanizm to powiązanie bloków myślenia. Bloki myślenia zapisują, który model je wygenerował, a gdy rozmowa przechodzi do modelu, który nie potrafi ich odczytać, API usuwa je, zanim model zobaczy żądanie, i zgłasza to usunięcie w input_transformations, gdy ustawiony jest nagłówek beta. W ten sposób API mówi ci, że model obsługujący uległ zmianie. Żaden z tych mechanizmów nie kieruje żądania claude-sonnet-5-5 do silniejszego, niezapowiedzianego modelu pod tym samym ciągiem.

Brak mechanizmu nie jest dowodem, że nic się nie dzieje. Jest jednak standardem, który to twierdzenie musi spełnić: historia routingu, która zawsze opisuje wyłącznie poprawę, musi wyjaśnić, dlaczego jedyna ścieżka publikowana przez Anthropic prowadzi w dół i pozostawia pokwitowanie.

Najbliższym odpowiednikiem zewnętrznej weryfikacji jest indeks, który niezależni ewaluatorzy uruchamiają względem modelu dostarczanego przez Anthropic. Artificial Analysis umieszcza Claude Sonnet 5.5 na poziomie 55 w swoim Intelligence Index v5.0.1, na dziewiątym miejscu wśród 69 modeli przy medianie 37. To odczyt ciągu w takiej postaci, w jakiej jest dziś udostępniany, i to właśnie na tej powierzchni można by oczekiwać, że z czasem pojawi się znacznie silniejszy checkpoint ukryty pod tą samą nazwą.

Jak wyglądałby test, który mógłby to rozstrzygnąć

Jeśli chcesz wiedzieć, czy etykieta przed tobą jest obsługiwana przez coś innego, eksperyment nie jest trudny. Jest po prostu mniej zabawny niż publikowanie pelikana.

• Przypnij identyfikator, a nie etykietę. Wywołaj claude-sonnet-5-5 z jawną wartością effort, aby żądanie było za każdym razem tym samym żądaniem. Etykieta w menu to powierzchnia produktu; identyfikator to cel.

• Próbkuj więcej niż raz. Jedna odpowiedź na jednym poziomie to anegdota. Dziesięć na wysokim i dziesięć na xhigh, ten sam system prompt, ten sam max_tokens, daje dwie dystrybucje. Wysiłek daje gładkie, monotoniczne przesunięcie długości wyjścia. Inny checkpoint zwykle daje nieciągłość treści, której długość nie wyjaśnia.

• Użyj faktu spoza daty odcięcia. Data odcięcia w czerwcu 2026 r. oznacza, że wszystko opublikowane po czerwcu nadaje się do wykorzystania, a wszystko przed nią jest bezwartościowe jako test. To jedyna zmiana, która sprawiłaby, że test z 5 listopada byłby wart przeprowadzenia.

• Przeczytaj obiekt odpowiedzi, a następnie potraktuj go z rezerwą. Pola model, usage, stop_reason i stop_details warto rejestrować, a fallback odmowy jest tam widoczny. Ale te pola powtarzają tylko to, co serwer twierdzi, że zrobił. To deklaracja, nie inspekcja — ta sama kategoria dowodów co proszenie modelu, by opisał sam siebie.

• Policz koszt, zanim to uruchomisz. Przy $2 i $10 za milion tokenów odpowiedź o długości 128 000 tokenów kosztuje $1,28, co jest wartością podaną przez Willisona, a jednocześnie po prostu stawką z cennika. Dwadzieścia odpowiedzi dopuszczonych do osiągnięcia limitu to około $25.

Jakie dodatkowe koszty ponosisz, czekając na odpowiedź?

Pod plotką kryje się praktyczne pytanie, które nie zależy od jej rozstrzygnięcia. Claude Sonnet 5.5 rozlicza myślenie jako dane wyjściowe, myślenie wlicza się do max_tokens, a Extra jest udokumentowane dla budżetów tokenowych rzędu milionów. Jedna odpowiedź zużywająca milion tokenów wyjściowych kosztuje 10 USD tylko po stronie wyjściowej, według cennika, który wiele zespołów wybrało właśnie dlatego, że była to tania warstwa.

• O jeden szczebel wyżej niż Extra zmierzony przebieg pelikana osiągnął limit 128 000 tokenów i kosztował 1,28 USD, nie tworząc rysunku. Koszt nieudanego żądania w tym modelu nie jest zerowy.

• O jeden szczebel niżej to samo zadanie ukończono w 41 sekund za 5,74 centa. Różnica między nimi jest ponad dwudziestokrotna i zależy od listy rozwijanej.

• Zespół realizujący 1000 żądań Extra dziennie, każde po 30 000 tokenów wyjściowych, zużywa 30 mln tokenów wyjściowych dziennie, czyli 300 USD, jeszcze przed uwzględnieniem tokenów wejściowych.

To jest ta część, którą czytelnik może wykorzystać już dziś, niezależnie od tego, co Anthropic wypuści następnym razem. Jeśli Extra to inny model, niespodziewany zysk jest realny, ale nie do zaplanowania. Jeśli Extra jest tym, co mówi jego nazwa, to obciążenie pracą, które nie zostało przetestowane pod kątem wysokiego i średniego, płaci za dokładność, której nikt nie zmierzył.

OrcaRouter kieruje Claude Sonnet 5.5 po własnych stawkach dostawcy: 2 i 10 USD, bez dodatkowego narzutu, a effort jest parametrem na żądanie, a nie osobnym kontraktem, więc przegląd effort po kolejnych poziomach to pętla w skrypcie. To także uczciwe zabezpieczenie się przed twierdzeniem takim jak to: przypnij identyfikator modelu, który miałeś na myśli, uruchom ten sam prompt na każdym poziomie i porównaj własne liczby tokenów zamiast zrzutu ekranu. Gdy pytania o routing nie da się rozstrzygnąć z zewnątrz, następną najlepszą rzeczą jest konfiguracja, w której odpowiedź jest mierzalna na własnym ruchu — i w której przełączenie awaryjne na high lub na inny model jest zmianą konfiguracji, a nie migracją.

Co zmieniłoby tę stronę?

Identyfikator modelu, cennik, karta systemowa albo zdanie od Anthropic wskazujące następcę. Każde z nich rozstrzyga kwestię w jedno popołudnie, a żadne z nich dziś nie istnieje. Dopóki tak się nie stanie, uczciwym opisem rzeczy kryjącej się za etykietą jest ten, który publikuje Anthropic: Claude Sonnet 5.5, punkt odcięcia danych z czerwca 2026, pięć poziomów wysiłku oraz udokumentowany powód, by sądzić, że większy pelikan przy wyższym ustawieniu to większy pelikan przy wyższym ustawieniu.

Sposób ujęcia w samym poście zdradza wszystko. Porównuje Extra z oczekiwaniem, a nie z pomiarem — ten sam szczebel w Sonnet 5, albo ten sam szczebel na maksie, albo opublikowany punkt odniesienia z tygodnia premiery. Te porównania istnieją i są tanie. Dopóki ktoś ich nie przeprowadzi, „wygląda jak routing” to opis rozwijanego menu robiącego swoje.