Claude Sonnet 4.5 é o modelo Sonnet mais avançado da Anthropic até o momento, otimizado para agentes do mundo real e fluxos de trabalho de codificação. Ele oferece desempenho de ponta em benchmarks de codificação como SWE-bench Verified, com...
Claude Sonnet 4.5 é um modelo de linguagem de grande porte da Anthropic, disponível por meio da API compatível com OpenAI da OrcaRouter. Ele se posiciona entre os níveis de modelo Haiku e Opus da…
Claude Sonnet 4.5 tem bom desempenho em tarefas que exigem raciocínio profundo sobre textos longos, como análise de documentos, sumarização e extração. Sua pontuação de 86,0 no MMLU-Pro indica forte conhecimento factual e capacidade de raciocínio em uma ampla gama de assuntos. O modelo também é eficaz na geração de código, depuração e refatoração, especialmente para projetos grandes que cabem em sua janela de contexto. Para tarefas multimodais, ele pode interpretar imagens, fornecer descrições, responder perguntas sobre conteúdo visual ou extrair informações de diagramas. A capacidade de saída de 64.000 tokens permite produzir respostas abrangentes, tornando-o útil para escrever conteúdo extenso ou gerar dados estruturados.
Claude Sonnet 4.5 aceita imagens e arquivos como parte de sua entrada, juntamente com texto. Quando uma imagem é fornecida, o modelo interpreta seu conteúdo visual—como objetos, texto dentro da imagem ou relações espaciais—e pode responder a perguntas ou seguir instruções com base nessa interpretação. Arquivos podem ser carregados em vários formatos; o modelo extrai o conteúdo textual e o processa no mesmo contexto. Isso permite tarefas como analisar simultaneamente uma fatura digitalizada (imagem) e uma planilha relacionada (arquivo). O modelo não gera imagens; sua saída é sempre texto. O processamento multimodal usa tokens: imagens consomem tokens proporcionais à sua resolução, e o conteúdo do arquivo é tokenizado como texto.
Se suas tarefas são simples, de contexto curto ou de modalidade única (apenas texto), um modelo de menor custo como o Claude Haiku, da Anthropic, pode ser mais adequado. Por exemplo, classificação simples, perguntas e respostas curtas ou geração de texto em pequena escala podem frequentemente ser tratadas por modelos menores a uma fração do custo. Da mesma forma, se você não precisa do contexto estendido ou da capacidade multimodal, pagar pelo Claude Sonnet 4.5 pode não se justificar. Avalie a complexidade e o comprimento de suas consultas típicas. Para processamento em lote de milhares de solicitações curtas, um modelo mais barato reduz o gasto total. O OrcaRouter oferece múltiplas camadas de modelo para que você possa combinar o modelo com sua necessidade real.
Claude Sonnet 4.5 é ideal para tarefas que aproveitam seu grande contexto e entradas multimodais. Exemplos de melhores usos incluem: resumir contratos legais inteiros ou artigos de pesquisa, realizar revisão de código em uma base de código completa, gerar documentação a partir de código, extrair dados estruturados de documentos digitalizados (imagens) e criar chatbots que precisam lembrar de um longo histórico de conversas. Também é adequado para aplicações educacionais onde o modelo deve ler e raciocinar sobre capítulos de livros didáticos ou slides de aulas. Para escrita criativa, o alto limite de tokens de saída permite gerar conteúdo de formato longo como histórias ou relatórios em uma única passada. Em cada caso, a pontuação de 86,0 no MMLU-Pro do modelo sugere raciocínio confiável.
MMLU-Pro é um benchmark que mede a compreensão de linguagem multitarefa de um modelo em uma ampla variedade de assuntos, incluindo STEM, humanidades e ciências sociais. Ele consiste em perguntas de múltipla escolha projetadas para testar tanto conhecimento quanto raciocínio. Claude Sonnet 4.5 alcança uma pontuação de 86.0 neste benchmark. Essa pontuação indica que o modelo responde corretamente a 86.0% das perguntas, colocando-o entre os melhores desempenhos para tarefas de conhecimento geral e raciocínio. Para contexto, MMLU-Pro é uma versão expandida do MMLU original com perguntas mais desafiadoras. Uma pontuação acima de 80 é considerada muito competitiva, embora o desempenho em tarefas específicas possa variar.
Os pontos fortes do Claude Sonnet 4.5 incluem sua janela de contexto muito grande (1M de tokens), alto limite de saída (64k tokens), suporte a entrada multimodal e uma forte pontuação MMLU-Pro de 86,0. Esses recursos o tornam poderoso para tarefas de contexto longo e multimodais. As limitações não são especificadas nos dados fornecidos, mas, como todos os LLMs, ele pode ocasionalmente produzir informações incorretas ou alucinadas. Ele não possui conhecimento em tempo real além do seu corte de treinamento. Também não pode gerar imagens ou executar ações fora da saída de texto. O custo por token é maior do que o de modelos menores, portanto pode não ser econômico para tarefas simples e curtas. O OrcaRouter não alega dados específicos de latência, então a velocidade depende da infraestrutura do provedor.
Não são fornecidos dados específicos de latência para Claude Sonnet 4.5. Em geral, a velocidade depende de fatores como a quantidade de tokens de entrada e saída, a carga do backend do provedor e a arquitetura do modelo. Como um modelo de nível intermediário, espera-se que tenha inferência mais lenta que modelos menores (ex.: Claude Haiku), mas mais rápida que modelos maiores (ex.: Claude Opus). O OrcaRouter encaminha requisições para a API da Anthropic, portanto os tempos de resposta estão sujeitos à infraestrutura da Anthropic. Para aplicações sensíveis à latência, recomenda-se testar com seus payloads típicos. A grande janela de contexto pode aumentar o tempo até o primeiro token se inputs enormes forem processados, pois o modelo precisa ingerir todos os tokens antes de gerar a saída.
Embora o Claude Sonnet 4.5 tenha um bom desempenho no MMLU-Pro (86.0) e suporte contextos grandes, ele tem limitações comuns a LLMs. Ele pode produzir informações plausíveis, mas incorretas (alucinação). Seu conhecimento tem uma data de corte de treinamento não especificada nos dados fornecidos; ele pode não ter conhecimento de eventos muito recentes. O modelo não tem capacidade de navegação ou memória externa fora do contexto atual. O processamento multimodal de imagens de alta resolução pode consumir um orçamento significativo de tokens, reduzindo a capacidade efetiva de texto. O modelo de preços significa que saídas longas ou entradas muito grandes podem se tornar caras. Não há garantia de consistência entre prompts idênticos; a temperatura e outros parâmetros afetam a saída. A API do OrcaRouter pode ter limites de taxa não detalhados aqui.
OrcaRouter cobra o Claude Sonnet 4.5 pela taxa do provedor com margem zero. O preço é de $3,00 por 1 milhão de tokens de entrada e $15,00 por 1 milhão de tokens de saída. Tokens de entrada incluem todo texto, equivalentes de tokens de imagem e tokens de conteúdo de arquivo enviados em uma requisição. Tokens de saída são os tokens da resposta gerada. Não há cobrança adicional além do consumo de tokens. Esse modelo de pagamento por token significa que os custos escalam linearmente com o uso. Para uma requisição com 100.000 tokens de entrada e 10.000 tokens de saída, o custo seria de $0,30 para entrada e $0,15 para saída, totalizando $0,45.
O custo por token de saída ($15 por 1M) é cinco vezes maior que o custo por token de entrada ($3 por 1M). Essa assimetria incentiva os usuários a projetar prompts que minimizem o comprimento das respostas geradas. Por exemplo, pedir respostas concisas ou saídas estruturadas (JSON) pode reduzir os tokens de saída. Por outro lado, os custos de entrada podem se acumular se documentos grandes forem incluídos. A janela de contexto de 1M permite entradas enormes, mas cada token de entrada incorre em custo. Os usuários devem avaliar se todo o contexto é necessário. Se você estiver gerando saídas longas, o custo de saída será dominante. Usar um limite inferior de tokens de saída (através do parâmetro max_tokens) ajuda a controlar os gastos.
O OrcaRouter não fornece informações específicas sobre descontos de cache ou limites de taxa para o Claude Sonnet 4.5 nos dados fornecidos. Em geral, alguns provedores de API oferecem cache de prompt (ou seja, não reprocessar prefixos de entrada idênticos) para reduzir custo e latência. Recomenda-se verificar a documentação do OrcaRouter para esses recursos. Limites de taxa (por exemplo, requisições por minuto ou tokens por minuto) podem ser aplicados e variam de acordo com o nível da conta. Usuários com necessidade de alta taxa de transferência devem entrar em contato com o OrcaRouter para obter detalhes. Como prática recomendada, implemente lógica de retry com backoff exponencial em sua aplicação para lidar com possíveis respostas de limitação de taxa.
O preço do Claude Sonnet 4.5 ($3/$15 por 1M tokens) situa-se entre modelos menores mais baratos (ex.: Claude Haiku) e modelos carro-chefe mais caros (ex.: Claude Opus). Os preços exatos de outros modelos não são fornecidos, mas, em geral, um modelo com contexto de 1M e pontuação 86,0 MMLU-Pro oferece uma proposta de valor específica. Para tarefas que não exigem contexto grande ou entrada multimodal, um modelo menos caro pode ser mais econômico. Por outro lado, o Opus (se disponível) provavelmente tem um custo por token mais alto e potencialmente pontuações de benchmark mais altas. A política de margem zero da OrcaRouter significa que você paga exatamente a taxa do provedor, tornando as comparações de custo entre modelos transparentes.
O OrcaRouter fornece um endpoint de API compatível com OpenAI. Para usar o Claude Sonnet 4.5, defina a URL base como https://api.orcarouter.ai/v1 e especifique o ID do modelo como "anthropic/claude-sonnet-4.5". Você precisará de uma chave de API do OrcaRouter. O formato da solicitação segue a estrutura de chat completions da OpenAI: envie uma matriz de mensagens com papéis como 'system', 'user', 'assistant'. Para entradas de imagem, inclua uma mensagem com conteúdo que tenha partes de texto e image_url. Para entradas de arquivo, talvez seja necessário primeiro enviar ou codificar o arquivo como texto. A resposta conterá o texto gerado pelo modelo no formato padrão da OpenAI. Exemplo: 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"}]}'
Ao chamar o Claude Sonnet 4.5 através da API do OrcaRouter, você pode usar parâmetros padrão do OpenAI-chat, como 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' e 'stream'. O parâmetro 'max_tokens' controla o limite de tokens de saída, até o máximo do modelo de 64.000 tokens. Para solicitações multimodais, inclua 'image_url' dentro do array de conteúdo de uma mensagem. O parâmetro 'stream' suporta eventos enviados pelo servidor para geração de tokens em tempo real. Parâmetros adicionais como 'seed' para saídas determinísticas também podem estar disponíveis. Consulte a documentação do OrcaRouter para a lista completa. Observe que nem todos os parâmetros do OpenAI podem ser suportados; recomenda-se testar. A API responde com um objeto JSON contendo 'choices', cada um com um objeto 'message'.
Se você está migrando da API da OpenAI para o OrcaRouter para o Claude Sonnet 4.5, o processo é simples devido à compatibilidade da API. Altere a URL base de https://api.openai.com/v1 para https://api.orcarouter.ai/v1. Substitua sua chave de API por uma chave de API do OrcaRouter. Atualize o nome do modelo para "anthropic/claude-sonnet-4.5". A maior parte do código existente que usa o cliente Python da OpenAI, o cliente JavaScript ou requisições HTTP diretas deve funcionar com modificações mínimas. Para recursos multimodais (imagens, arquivos), certifique-se de que a estrutura da sua mensagem corresponda ao formato OpenAI com partes de conteúdo. Se você estava usando a API nativa da Anthropic, pode ser necessário reestruturar as mensagens para o formato chat completions (papéis user/assistant). A documentação do OrcaRouter provavelmente fornece guias de migração.
Claude Opus é o modelo mais capaz e caro da Anthropic, enquanto Sonnet 4.5 é uma oferta de nível médio. Opus geralmente obtém pontuações mais altas em benchmarks (números exatos não fornecidos), mas também custa mais por token. Sonnet 4.5 fornece uma janela de contexto de 1M, a mesma que Opus normalmente, e um limite de saída de 64k. A troca é entre raciocínio de alto nível (Opus) e um equilíbrio mais econômico (Sonnet). Para tarefas em que a pontuação MMLU-Pro de 86.0 do Sonnet é suficiente, pode ser um melhor custo-benefício. Se sua aplicação exigir máxima precisão em tarefas desafiadoras, considere Opus. OrcaRouter provavelmente oferece ambos, permitindo fácil troca alterando o ID do modelo.
Claude Sonnet 4.5 (MMLU-Pro 86.0) compete com outros modelos de médio a alto padrão, como o GPT-4o. O GPT-4o também suporta entradas multimodais e possui uma grande janela de contexto (embora o tamanho exato possa variar). Preços e pontuações de benchmark para o GPT-4o não são fornecidos aqui, portanto uma comparação numérica direta não é possível. As diferenças gerais incluem escolhas arquitetônicas e métodos de treinamento. Alguns usuários preferem o Claude pela segurança e pelo manuseio de contextos longos, enquanto outros preferem o GPT-4o por seu ecossistema mais amplo. Através do OrcaRouter, você pode testar ambos os modelos com o mesmo formato de API e comparar os resultados em seus dados específicos. A escolha depende do desempenho empírico no seu caso de uso e do custo aceitável.
Escolha o Claude Sonnet 4.5 quando precisar de um equilíbrio entre capacidade, comprimento de contexto e custo. Se suas tarefas são curtas e simples (por exemplo, classificação de turno único), o Haiku é mais barato e mais rápido. Se você precisa do melhor raciocínio absoluto e está disposto a pagar mais, o Opus é a melhor escolha. O Sonnet é ideal para o meio termo: oferece uma grande janela de contexto (1M) e uma pontuação forte no MMLU-Pro (86,0) a um preço moderado. Para aplicações que processam documentos longos com complexidade moderada, o Sonnet provavelmente oferece qualidade suficiente sem gastar demais. Se você estiver inseguro, a API do OrcaRouter permite testar A/B diferentes modelos simplesmente alterando o ID do modelo.
Compatível com OpenAI — mantenha seu 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| Entrada / 1M tokens | $3.00 |
| Saída / 1M tokens | $15.00 |
| Leitura de cache / 1M | $0.300 |
| Escrita de cache / 1M | $3.75 |
| Moeda | USD |
Estimativa com base no preço de tabela
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
GET /api/public/models/anthropic/claude-sonnet-4.5Abrir @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