Claude Sonnet 5.5 при дополнительных усилиях: почему утверждение о «следующей модели Claude» не проходит оба собственных теста

5 ноября в 12:44 UTC аккаунт X под названием @chetaslua опубликовал фразу, которая в разных формах циркулирует с октября: «Похоже, Sonnet 5.5 Extra — это маршрутизация к следующей модели Claude». К следующему утру у поста было 20 900 просмотров, 384 лайка и 38 ответов. Модель, которую он называет, — та, что можно вызвать уже сегодня: Claude Sonnet 5.5, выпущенная 28 сентября по цене $2 и $10 за миллион токенов. Слово «Extra» — не вторая модель. Это вторая сверху ступень в меню уровней усилий Claude, которую Anthropic обозначает как Extra high, а API называет xhigh.

В качестве доказательства предлагаются два теста: вопрос о том, куда в 2026 году ушёл Андрей Карпаты, и пеликан на велосипеде, полностью нарисованный в SVG. Оба теста проходят на модели, которую Anthropic выпустила в сентябре. В этом и заключается вся сложность с этим утверждением. Один тест проверяет факт, который на месяц попадает в Claude Sonnet 5.5 — точнее, в её собственное окно обучения. Другой измеряет величину, для увеличения которой и существует настройка Extra. Ни один из них не позволяет отделить «лучшая модель ответила» от «выбранная мной настройка сделала то, что написано в её документации».

Это не делает пост бесполезным. Это делает его чистым образцом теста, который кажется решающим, но таковым не является, — а два приёма, которые в нём используются, проверка знаний и сравнение размера вывода, — это те же два приёма, стоящие за большинством заявлений о маршрутизации этой осенью. Разобрать их полезнее, чем ещё один раунд догадок о том, что Anthropic не объявила.

Что на самом деле было опубликовано

В посте описывается одна сессия чата и два запроса. В первом спрашивалось, куда ушёл Карпати в 2026 году, и модели было указано не использовать интернет; в ответе говорилось, что в мае 2026 года он присоединился к Anthropic в команду предобучения. Во втором запросе требовалось «пеликан, едущий на велосипеде, настолько реалистично, насколько возможно, только с помощью кода», а результат описывается как 26 599 элементов SVG, примерно 6 500 перьевых штрихов, без встроенных изображений, data URI или скриптов, и 1 860 строк Python. Из этих двух обменов автор поста делает вывод, что метка обслуживает что-то более новое, чем модель, которую она называет.

К этому ничего не прилагается. Ни идентификатора модели, ни тарифной карты, ни системной карты, ни заявления Anthropic. Преемник, на которого оно намекает, с октября ходит под несколькими названиями, ни одно из которых не принадлежит Anthropic и ни одно из которых нельзя вызвать. Собственный список моделей Anthropic, прочитанный сегодня, содержит четыре текущие модели: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 и Claude Haiku 5.5. Пятой строки нет, и нигде в посте нет идентификатора, который читатель мог бы проверить.

Что такое «Extra», пока это не стало загадкой

В меню усилий в приложениях Claude перечислены пять ступеней — Low, Medium, High, Extra high (xhigh) и Max, — причём рекомендуемая моделью ступень отмечена как Default. «Extra» — так люди сокращают четвёртую. В собственной справочной документации Anthropic xhigh описывается как расширенные возможности для долгосрочной работы, нацеленные на «длительные агентные задачи и задачи по программированию (более 30 минут) с бюджетами в миллионы токенов». Так производитель заранее сообщает вам, что эта ступень предназначена потреблять гораздо больше, чем предыдущая.

Эта ступень также калибруется отдельно для каждой модели, а не глобально. В примечании Anthropic о миграции для этого поколения прямо сказано, что уровни усилий Claude Sonnet 5.5 перекалиброваны — уровень «не даёт того же объёма размышлений, что и в Claude Sonnet 5», — и разработчикам рекомендуется заново провести перебор уровней усилий, а не переносить настройку. Отсюда следуют два следствия — оба скучные и оба фатальные для этого вывода. Запрос с уровнем Extra в Sonnet 5.5 — не то же самое, что Extra в предыдущей версии, поэтому «ощущается иначе, чем я помню» — это ожидаемо. А переключение с High на Extra — это указание потратить больше токенов, поэтому более длинный, плотный и детализированный рисунок и есть запрошенный результат.

Есть ещё одна деталь на уровне интерфейса, которую стоит зафиксировать, потому что именно здесь ярлыки перестают совпадать. У Claude API уровень усилий по умолчанию для этой модели — высокий; у Claude Code уровень по умолчанию для той же модели — средний. Ответ приложения в режиме Extra, ответ API с настройкой по умолчанию и ответ Claude Code с настройкой по умолчанию — это три разные конфигурации одной модели. Сравнивать любые два из них и делать вывод, что появилась новая модель, — значит сравнивать настройки по умолчанию, а не чекпоинты.

Тест один: майский факт, сверенный с июньской датой отсечения

Вопрос о Карпати — более сильная из двух проверок, потому что, в отличие от большинства этих тестов, его ответ можно сверить с публичными записями. Он подтверждается. Карпати объявил в X 19 мая 2026 года, что присоединился к Anthropic; на той неделе он начал работать в команде предобучения под руководством Ника Джозефа и сказал, что создаст команду, сосредоточенную на использовании Claude для ускорения исследований в области предобучения. Ответ, который описывает пост, — присоединился к Anthropic, май 2026 года, команда предобучения, — точен.

Проблема в точности. Надёжная граница знаний Claude Sonnet 5.5 — июнь 2026 года, и граница его обучающих данных такая же. Приём на работу произошёл примерно за месяц до этой границы. Выпущенная версия Claude Sonnet 5.5, которой задают этот вопрос при отключённом веб-доступе, должна на него ответить, и именно это предсказывает её документация. Проверка дала нулевой результат, и его восприняли как находку.

Стоит быть точным в вопросе о том, что может и чего не может проверка знаний, потому что именно здесь большинство подобных утверждений оказывается неверным:

• Правильный ответ о событии, произошедшем до порога отсечки, неинформативен. Каждая модель в линейке обучалась на нём.

• Неверный ответ был бы информативным — но в противоположном смысле. Если модель, которая должна знать о найме в мае 2026 года, отрицает это, то это свидетельство другого, более слабого чекпоинта, а не более сильного неанонсированного.

• Только факт, появившийся после отсечки, позволяет различить. Факт, опубликованный после июня 2026 года, на котором не могла обучаться ни одна модель текущей линейки, — это единственный тип вопроса, который отличает новый чекпойнт от старого. Karpathy опубликовал описание рабочего процесса в своём блоге 2 ноября. Вопрос о его содержании при отключённом веб-доступе был бы настоящей проверкой. А вопрос о том, куда он ездил в мае, — нет.

Тест два: подсчёт пеликанов, измеряющий многословность

Промпт про пеликана — это давний ad-hoc-тест Саймона Уиллисона; он прогнал его на Claude Sonnet 5.5 28 сентября, в день выхода модели. Его опубликованные результаты — полезная здесь база для сравнения, потому что они датированы, атрибутированы и измерены, а не подсчитаны на глаз.

• При максимальном усилии — на одну ступень выше той, что использовалась в посте — модель израсходовала 128 000 выходных токенов, упёрлась в лимит, потратила $1,28 и так и не создала ни одного SVG.

• На уровне xhigh — ступени, которую в посте называют Extra — та же модель сгенерировала пеликана за 41 секунду за 5,74 цента.

Прочитайте эти две строки вместе — и второй тест из поста разваливается. Выпущенная модель на уровне Extra уже рисует птицу — это тот запуск на 41 секунду и 5,74 цента, — так что птица при Extra не аномалия. Выпущенная модель на одну ступень выше Extra не рисует вообще ничего, поэтому в этой задаче регулятор усилий с большим отрывом является доминирующей переменной, а регулятор усилий — единственное, что изменил пост. Результат, который меняется вместе с настройкой, которую вы повернули, — это свидетельство о настройке.

Число элементов заслуживает отдельной арифметики, поскольку именно это число чаще всего повторяют. Anthropic утверждает, что 1 млн токенов — это примерно 2,5 млн символов на текущем токенизаторе. Если бы 26 599 элементов содержали в среднем по 40 символов каждый — консервативная оценка, если учесть данные путей и атрибуты, — рисунок составил бы около 1,06 млн символов, или примерно 424 000 токенов. Это более чем втрое превышает потолок синхронного вывода в 128 000 токенов, а также выше потолка пакетного вывода в 300 000 токенов. Если бы элементы в среднем содержали семь символов, то же количество легко уложилось бы примерно в 74 000 токенов.

Итак, счёт ограничен плотностью разметки, а не силой модели, и более лаконичная модель выдаёт большее число. Описание в самом посте указывает на более вероятную интерпретацию: в том же чате присутствуют 1 860 строк Python, и скрипт, перебирающий перья, может выдать 26 599 элементов, хотя модель не писала 26 599 элементов. В посте не сказано, нарисовал ли этот код пеликана или был отдельным артефактом, — а это как раз та деталь, которая нужна читателю. Без файла можно утверждать, что количество элементов — это мера многословности на ступени, чья задокументированная задача — производить больше.

Единственная по-настоящему интересная строка в описании — отрицательная: никаких встроенных изображений, никаких data URI, никаких скриптов. Пеликан с таким уровнем детализации, построенный только из векторных примитивов, — это настоящий результат. Однако это результат о качестве вывода, а качество вывода при более высокой настройке усилий — наименее удивительное, что модель способна выдать.

Единственный задокументированный способ, которым отвечает другой Claude

Ничто из этого не доказывает, что Anthropic никогда не стала бы обслуживать запрос под одной меткой с другими весами. Это означает, что утверждение должно объяснять механизмы, которые Anthropic действительно документирует, и оба они указывают в противоположную сторону.

Первый — резервный сценарий при отказе. Отклонённый запрос возвращает HTTP 200 с stop_reason: "refusal" и объектом stop_details, указывающим область политики. Серверный fallback, задаваемый через fallbacks: "default" и доступный в бета-версии Claude API, повторяет отклонённые по категориям cyber и frontier_llm запросы на Claude Sonnet 5 — более старой и дешёвой модели. Это документированный случай, когда на запрос к Sonnet 5.5 отвечает что-то другое, и это понижение версии, которое открыто сообщает о себе в ответе.

Второй — привязка блоков размышлений. Блоки размышлений фиксируют, какая модель их создала, и когда разговор переходит к модели, которая не может их прочитать, API отбрасывает их до того, как модель увидит запрос, сообщая об этом в input_transformations, если установлен бета-заголовок. Это API сообщает вам, что обслуживающая модель изменилась. Ни один из этих механизмов не повышает запрос claude-sonnet-5-5 до более мощной необъявленной модели под той же строкой.

Отсутствие механизма не доказывает, что ничего не происходит. Однако именно этому стандарту должно соответствовать утверждение: история о маршрутизации, которая всегда описывает лишь улучшение, должна объяснить, почему единственный путь, который публикует Anthropic, ведёт под гору и оставляет квитанцию.

Ближайший аналог внешней проверки — это индекс, который независимые оценщики применяют к модели, выпускаемой Anthropic. Artificial Analysis указывает Claude Sonnet 5.5 на уровне 55 в своем Intelligence Index v5.0.1 — девятое место среди 69 моделей при медиане 37. Это измерение строки в том виде, в каком она предоставляется сегодня, и именно та поверхность, на которой со временем ожидалось бы появление существенно более сильного чекпоинта, скрывающегося под тем же именем.

Как мог бы выглядеть тест, который способен это разрешить

Если вы хотите узнать, не обслуживается ли метка перед вами чем-то другим, этот эксперимент несложен. Он просто менее забавен, чем выложить пеликана.

• Закрепляйте идентификатор, а не метку. Вызывайте claude-sonnet-5-5 с явным значением effort, чтобы запрос был одним и тем же запросом каждый раз. Метка в меню — это часть продукта; идентификатор — это цель.

• Делайте выборку более одного раза. Один ответ на одной ступени — это единичный случай. Десять на high и десять на xhigh при одинаковом системном промпте и одинаковом max_tokens дают вам два распределения. Усилие даёт плавный монотонный сдвиг длины вывода. Другой чекпойнт, как правило, даёт разрыв в содержании, который нельзя объяснить длиной.

• Используйте факт, появившийся после даты отсечения. Отсечение в июне 2026 года означает, что всё, опубликованное после июня, можно смело использовать, а всё, опубликованное до этой даты, бесполезно как проверка. Это единственное изменение, из-за которого тест 5 ноября стоило бы провести.

• Прочитайте объект ответа, а затем воспринимайте его с поправкой. Поля model, usage, stop_reason и stop_details стоит логировать, и там же виден резервный вариант на случай отказа. Но эти поля лишь повторяют то, что сервер, по его словам, сделал. Это заявление, а не проверка — та же категория доказательств, что и просьба к модели описать себя.

• Просчитайте стоимость до запуска. При $2 и $10 за миллион токенов ответ на 128 000 токенов стоит $1.28 — это и цифра Уиллисона, и просто тариф из прайс-листа. Двадцать ответов, которым разрешено дойти до лимита, обойдутся примерно в $25.

Сколько стоит Extra, пока вы ждёте ответа

Под слухом скрывается практический вопрос, который не зависит от того, подтвердится ли этот слух. Claude Sonnet 5.5 тарифицирует размышления как выходные данные, размышления учитываются в max_tokens, а Extra, согласно документации, рассчитан на бюджеты токенов в миллионах. Один ответ, расходующий миллион выходных токенов, обходится в $10 только за выходные токены — по тарифной сетке, которую многие команды выбрали именно потому, что это был дешёвый уровень.

• На одну ступень выше Extra: измеренный прогон с пеликаном достиг лимита в 128,000 токенов и стоил $1.28, так и не создав рисунок. Стоимость неудачного запроса на этой модели не равна нулю.

• На одну ступень ниже та же задача была выполнена за 41 секунду за 5,74 цента. Разрыв между ними превышает двадцатикратный, и он задаётся раскрывающимся списком.

• Команда, выполняющая 1 000 запросов Extra в день по 30 000 выходных токенов каждый, тратит 30 млн выходных токенов в день, или $300, ещё до того, как входные токены вообще будут учтены.

Это та часть, с которой читатель может что-то сделать уже сегодня, независимо от того, что Anthropic выпустит дальше. Если Extra — это другая модель, то нежданная удача реальна, но её невозможно планировать. Если Extra — это то, что следует из названия, то рабочая нагрузка, которую не прогнали через high и medium, платит за тщательность, которую никто не измерял.

OrcaRouter маршрутизирует запросы к Claude Sonnet 5.5 по собственным ценам поставщика — $2 и $10 — без наценки сверху, а effort — это параметр отдельного запроса, а не отдельный контракт, поэтому перебор значений effort по уровням — это цикл в скрипте. Это также честная страховка от утверждения вроде этого: закрепите идентификатор модели, который вы имели в виду, запустите один и тот же промпт на каждом уровне и сравните собственные счётчики токенов, а не скриншот. Когда вопрос маршрутизации нельзя решить извне, следующий лучший вариант — это настройка, в которой ответ можно измерить на вашем собственном трафике, и в которой переключение при сбое на уровень high или на другую модель — это изменение конфигурации, а не миграция.

Что изменило бы эту страницу

Идентификатор модели, прайс-лист, системная карта или фраза от Anthropic, называющая преемника. Любой из этих пунктов решает вопрос за один день, и ни одного из них сегодня не существует. Пока это не так, честное описание того, что стоит за ярлыком, — это то, которое публикует Anthropic: Claude Sonnet 5.5, отсечка июнь 2026 года, пять уровней усилий и документированная причина полагать, что более крупный пеликан при более высокой настройке — это более крупный пеликан при более высокой настройке.

Сама подача в посте выдаёт это с потрохами. В нём Extra сравнивается с ожиданием, а не с измерением — та же ступень на Sonnet 5, или та же ступень на max, или опубликованный базовый уровень с недели запуска. Такие сравнения существуют и дёшевы. Пока кто-нибудь их не проведёт, «выглядит как маршрутизация» — это описание выпадающего списка, делающего свою работу.