Claude Sonnet 5.5 med Extra Effort: Varför påståendet om "nästa Claude-modell" misslyckas med båda sina egna tester

Klockan 12:44 UTC den 5 november publicerade ett X-konto som heter @chetaslua en mening som har cirkulerat i olika former sedan oktober: "Sonnet 5.5 Extra verkar routa till nästa Claude-modell." Morgonen därpå hade inlägget 20 900 visningar, 384 gillningar och 38 svar. Modellen som nämns är en du kan anropa i dag – Claude Sonnet 5.5, som släpptes den 28 september för 2 och 10 dollar per miljon token. Ordet "Extra" är inte en andra modell. Det är den näst högsta nivån i Claudes effort-meny, som Anthropic kallar Extra high och som API:et kallar xhigh.

Två tester läggs fram som bevis: en fråga om vart Andrej Karpathy tog vägen 2026, och en pelikan på en cykel som helt och hållet är ritad i SVG. Båda testerna passerar på modellen som Anthropic släppte i september. Det är hela svårigheten med påståendet. Ett test kontrollerar ett faktum som ligger en månad inom Claude Sonnet 5.5:s eget träningsfönster. Det andra mäter en kvantitet som inställningen Extra finns för att öka. Inget av dem kan skilja på "en bättre modell svarade" och "inställningen jag valde gjorde det som dess dokumentation säger att den ska göra."

Det gör inte inlägget värdelöst. Det gör det till ett rent exemplar av ett test som känns avgörande men inte är det – och de två greppen det använder, en kunskapsprobe och en jämförelse av utdatastorlek, är samma två grepp som ligger bakom de flesta routingpåståenden den här hösten. Att gå igenom dem är mer användbart än ännu en omgång gissningar om vad Anthropic inte har tillkännagivit.

Vad som faktiskt publicerades

Inlägget beskriver en enda chattkonversation och två prompter. Den första frågade var Karpathy tog vägen 2026 och instruerade modellen att inte använda webben; svaret sade att han gick med i Anthropic i maj 2026 i förträningsgruppen. Den andra bad om "pelikan som cyklar så realistiskt du kan enbart med kod", och resultatet beskrivs som 26 599 SVG-element, ungefär 6 500 fjäderstreck, inga inbäddade bilder, data-URI:er eller skript, och 1 860 rader Python. Utifrån dessa två utbyten drar skribenten slutsatsen att etiketten tillhandahåller något nyare än modellen den namnger.

Ingenting åtföljer det. Ingen modellidentifierare, inget prisblad, inget systemkort, inget uttalande från Anthropic. Den efterträdare som det antyder har cirkulerat under flera namn sedan oktober, inget av dem Anthropics och inget av dem anropbart. Anthropics egen modellista, läst i dag, innehåller fyra aktuella modeller: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 och Claude Haiku 5.5. Det finns ingen femte rad, och ingen identifierare någonstans i inlägget som en läsare skulle kunna testa.

Vad "Extra" är, innan det blir ett mysterium

Ansträngningsmenyn i Claudes appar listar fem nivåer – Low, Medium, High, Extra high (xhigh) och Max – där modellens rekommenderade nivå är markerad som Default. "Extra" är hur folk förkortar den fjärde. Anthropics egen referens beskriver xhigh som utökad kapacitet för långsiktigt arbete, inriktad på "långvariga agentiska uppgifter och koduppgifter (över 30 minuter) med tokenbudgetar i miljonklassen." Det är leverantören som i förväg talar om för dig att den här nivån är avsedd att förbruka betydligt mer än nivån under den.

Nivån kalibreras också per modell, inte globalt. Anthropics migreringsanteckning för den här generationen säger rakt ut att ansträngningsnivåerna för Claude Sonnet 5.5 är omkalibrerade – en nivå "ger inte samma mängd tänkande som den gjorde på Claude Sonnet 5" – och uppmanar utvecklare att köra om sin genomgång av ansträngningsnivåer i stället för att föra över en inställning. Två konsekvenser följer, båda tråkiga och båda fatala för slutledningen. En förfrågan med Extra på Sonnet 5.5 är inte samma förfrågan som med Extra på föregångaren, så "det känns annorlunda än vad jag minns" är väntat. Och att vrida ett reglage från High till Extra är en instruktion att spendera fler tokens, så en längre, tätare och mer utarbetad ritning är det efterfrågade resultatet.

Det finns ytterligare en ytdetalj som är värd att fastställa, eftersom det är där etiketterna slutar stämma. Claude API:s standardansträngning för den här modellen är hög; Claude Codes standard för samma modell är medium. Ett svar från appen på Extra, ett svar från API:et vid dess standardinställning och ett svar från Claude Code vid dess standardinställning är tre olika konfigurationer av en och samma modell. Att jämföra vilka två som helst av dem och dra slutsatsen att en ny modell har dykt upp är att jämföra standardinställningar, inte checkpoints.

Test ett: ett faktum från maj kontrollerat mot en junigräns

Karpathy-frågan är den starkare av de två testfrågorna, eftersom svaret till skillnad från de flesta av dessa tester kan kontrolleras mot det offentliga materialet. Det stämmer. Karpathy tillkännagav på X den 19 maj 2026 att han hade börjat på Anthropic; han började den veckan i förträningsteamet och rapporterade till Nick Joseph, och sade att han skulle bygga ett team med fokus på att använda Claude för att påskynda forskning om förträning. Svaret som inlägget beskriver – började på Anthropic, maj 2026, förträningsteamet – är korrekt.

Problemet är träffsäkerheten. Claude Sonnet 5.5:s tillförlitliga kunskapsgräns är juni 2026, och gränsen för dess träningsdata är densamma. Anställningen skedde ungefär en månad före den gränsen. En levererad Claude Sonnet 5.5 som får den här frågan med webben avstängd förväntas besvara den, och att den besvarar den är vad dess dokumentation förutspår. Proben gav nollresultatet och lästes som fyndet.

Det är värt att vara precis om vad en kunskapsprobe kan och inte kan göra, för det är här de flesta av dessa påståenden går fel:

• Ett korrekt svar om en händelse före kunskapsgränsen är oinformativt. Varje modell i serien har tränats på den.

• Ett felaktigt svar skulle ha varit informativt – i motsatt riktning. Om en modell som borde känna till en anställning i maj 2026 förnekar den, är det bevis för en annan, svagare checkpoint, inte en starkare oannonserad.

• Endast ett faktum efter kunskapsavskärningen skiljer. Ett faktum som publicerats efter juni 2026, som ingen modell i den aktuella serien skulle kunna ha tränats på, är den enda typen av fråga som skiljer en ny checkpoint från en gammal. Karpathy publicerade en genomgång av ett arbetsflöde på sin egen blogg den 2 november. Att fråga efter dess innehåll med webben avstängd skulle ha varit ett riktigt test. Att fråga var han åkte i maj var det inte.

Test två: en pelikanräkning som mäter ordrikedom

Pelikanprompten är Simon Willisons långvariga ad hoc-utvärdering, och han körde den mot Claude Sonnet 5.5 den 28 september, samma dag som modellen lanserades. Hans publicerade resultat är den användbara baslinjen här, eftersom de är daterade, tillskrivna och mätta i stället för räknade med ögonmått.

• Vid maximal ansträngning – ett steg över det som inlägget använde – spenderade modellen 128 000 utdatatoken, nådde taket, kostade 1,28 dollar och producerade aldrig någon SVG alls.

• Vid xhigh – nivån som inlägget kallar Extra – producerade samma modell en pelikan på 41 sekunder för 5,74 cent.

Läs de två raderna tillsammans och inläggets andra test faller samman. Den levererade modellen på Extra ritar redan fågeln – det är körningen på 41 sekunder och 5,74 cent – så en fågel på Extra är inte avvikande. Den levererade modellen ett steg ovanför Extra ritar ingenting alls, så i den här uppgiften är ansträngningsvredet den dominerande variabeln med bred marginal, och ansträngningsvredet är det enda som inlägget ändrade. Ett resultat som förändras med inställningen du vred på är evidens om inställningen.

Antalet element förtjänar sin egen aritmetik, eftersom det är det tal som mest sannolikt upprepas. Anthropic anger att 1M tokens är ungefär 2,5M tecken med den nuvarande tokenizern. Om 26 599 element i genomsnitt var 40 tecken vardera – en försiktig siffra när man väl räknar in sökvägsdata och attribut – skulle ritningen vara cirka 1,06M tecken, eller ungefär 424 000 tokens. Det är mer än tre gånger det synkrona utdatataket på 128 000 tokens och även över batchtaket på 300 000 tokens. Om elementen i genomsnitt var sju tecken ryms samma antal bekvämt i ungefär 74 000 tokens.

Så antalet begränsas av markupdensitet, inte av modellstyrka, och en mer koncis modell anger ett större antal. Inläggets egen beskrivning pekar mot den mer sannolika tolkningen: 1 860 rader Python förekommer i samma chatt, och ett skript som loopar över fjädrar kan generera 26 599 element utan att modellen skriver 26 599 element. Inlägget säger inte om den koden ritade pelikanen eller var en separat artefakt, vilket är precis den detalj en läsare skulle behöva. Vad som kan sägas utan filen är att elementantal är ett mått på ordrikedom på en nivå vars dokumenterade uppgift är att producera mer.

Den enda genuint intressanta raden i beskrivningen är den negativa: inga inbäddade bilder, inga data-URI:er, inga skript. En pelikan på den detaljnivån byggd enbart av vektorprimitiver är ett riktigt resultat. Det är dock ett resultat som handlar om utdatakvalitet, och utdatakvalitet vid en högre ansträngningsnivå är det minst överraskande en modell kan leverera.

Det enda dokumenterade sättet som en annan Claude svarar på

Inget av detta bevisar att Anthropic aldrig skulle hantera en förfrågan under en och samma etikett med olika vikter. Det innebär att påståendet måste förklara de mekanismer som Anthropic faktiskt dokumenterar, och båda pekar åt andra hållet.

Den första är reservlösningen vid avslag. En avvisad begäran returnerar HTTP 200 med stop_reason: "refusal" och ett stop_details-objekt som anger policyområdet. Reservlösning på serversidan, anges med fallbacks: "default" och är i beta på Claude API, gör om försök som avvisats av cyber och frontier_llm på Claude Sonnet 5 – den äldre, billigare modellen. Det är ett dokumenterat fall där en begäran till Sonnet 5.5 besvaras av något annat, och det är en nedgradering som ger sig till känna i svaret.

Det andra är bindning av tänkblock. Tänkblock registrerar vilken modell som producerade dem, och när en konversation flyttas till en modell som inte kan läsa dem tar API:et bort dem innan modellen ser begäran och rapporterar borttagningen i input_transformations när beta-headern är satt. Det är API:et som talar om för dig att den betjänande modellen har ändrats. Inget i någon av mekanismerna uppgraderar en claude-sonnet-5-5-begäran till en starkare icke-annonserad modell under samma sträng.

Frånvaro av en mekanism är inte bevis för att ingenting händer. Det är dock standarden som påståendet måste uppfylla: en routingberättelse som bara någonsin beskriver en förbättring måste förklara varför den enda väg Anthropic publicerar går utför och lämnar ett kvitto.

Det närmaste en extern kontroll är det index som oberoende utvärderare kör mot den modell som Anthropic levererar. Artificial Analysis listar Claude Sonnet 5.5 på 55 i sitt Intelligence Index v5.0.1, på nionde plats av 69 modeller mot en median på 37. Det är en avläsning av strängen som den levereras i dag, och det är den yta där en väsentligt starkare checkpoint som döljer sig under samma namn skulle förväntas dyka upp så småningom.

Hur ett test som skulle kunna avgöra det ser ut

Om du vill veta om etiketten framför dig betjänas av något annat är experimentet inte svårt. Det är bara mindre roligt än att lägga upp en pelikan.

• Fäst identifieraren, inte etiketten. Anropa claude-sonnet-5-5 med ett explicit effort-värde, så att begäran är samma begäran varje gång. En etikett i en meny är en produktyta; en identifierare är ett mål.

• Sampla mer än en gång. Ett svar på en nivå är en anekdot. Tio på high och tio på xhigh, samma systemprompt, samma max_tokens, ger dig två fördelningar. Ansträngning ger en jämn, monoton förskjutning i utdatalängd. En annan checkpoint tenderar att ge en diskontinuitet i innehållet som längden inte förklarar.

• Använd ett faktum efter kunskapsgränsen. En kunskapsgräns i juni 2026 innebär att allt som publicerats efter juni är giltigt och allt före den är värdelöst som test. Det är den enda ändringen som skulle ha gjort testet den 5 november värt att genomföra.

Läs svarssobjektet och ta det sedan med en nypa salt. Fälten model, usage, stop_reason och stop_details är värda att logga, och en reservlösning för avslag syns där. Men dessa fält ekar vad servern säger att den gjorde. De är ett påstående, inte en inspektion – samma kategori av bevis som att be en modell beskriva sig själv.

• Prissätt det innan du kör det. Med $2 och $10 per miljon token kostar ett svar på 128 000 token $1,28, vilket är Willisons siffra och helt enkelt taxan. Tjugo svar som tillåts gå till taket kostar cirka $25.

Vilka extrakostnader tillkommer medan du väntar på ett svar

Det finns en praktisk fråga bakom ryktet som inte är beroende av att ryktet avgörs. Claude Sonnet 5.5 fakturerar tänkande som utdata, tänkande räknas mot max_tokens, och Extra dokumenteras för tokenbudgetar i miljonklassen. Ett enda svar som förbrukar en miljon utdatatoken kostar $10 bara på utdatasidan, enligt en prislista som många team valde just för att det var den billiga nivån.

• Ett steg upp från Extra nådde den uppmätta pelikan-körningen taket på 128 000 token och kostade 1,28 dollar utan att producera en ritning. Kostnaden för en misslyckad begäran på den här modellen är inte noll.

• Ett steg ned slutfördes samma uppgift på 41 sekunder för 5,74 cent. Skillnaden mellan de två är mer än tjugofaldig, och den bestäms av en rullgardinsmeny.

• Ett team som kör 1 000 Extra-förfrågningar per dag med 30 000 utdatatoken var spenderar 30 miljoner utdatatoken per dag, eller 300 dollar, innan indata ens har räknats.

Det är den del en läsare kan agera på i dag oavsett vad Anthropic lanserar härnäst. Om Extra är en annan modell är vinsten verklig men omöjlig att planera. Om Extra är vad namnet säger, då betalar en arbetsbelastning som inte har testats mot hög och medel för grundlighet som ingen har mätt.

OrcaRouter dirigerar Claude Sonnet 5.5 till leverantörens egna $2 och $10 utan påslag ovanpå, och effort är en parameter per begäran snarare än ett separat avtal, så en effort-sweep över nivåer är en loop i ett skript. Det är också den ärliga säkringen mot ett påstående som detta: lås modellidentifieraren du avsåg, kör samma prompt på varje nivå och jämför dina egna tokenantal i stället för en skärmbild. När en routingfråga inte kan avgöras utifrån är det näst bästa en uppsättning där svaret är mätbart i din egen trafik – och där växling till high eller till en annan modell är en konfigurationsändring i stället för en migrering.

Vad skulle ändra den här sidan

En modellidentifierare, ett prisblad, ett systemkort eller en mening från Anthropic som namnger efterträdaren. Vilken som helst av dem avgör frågan på en eftermiddag, och ingen av dem finns i dag. Tills en gör det är den ärliga beskrivningen av saken bakom etiketten den som Anthropic publicerar: Claude Sonnet 5.5, en kunskapsgräns i juni 2026, fem ansträngningsnivåer och ett dokumenterat skäl att tro att en större pelikan på en högre inställning är en större pelikan på en högre inställning.

Inläggets egen formulering avslöjar det hela. Det jämför Extra mot en förväntan, inte mot en mätning – samma nivå på Sonnet 5, eller samma nivå vid max, eller en publicerad baslinje från lanseringsveckan. De jämförelserna finns och är billiga. Tills någon kör dem är "ser ut som routning" en beskrivning av en rullgardinsmeny som gör sitt jobb.