Claude Sonnet 4.5 är Anthropics mest avancerade Sonnet-modell hittills, optimerad för verkliga agenter och kodarbetsflöden. Den levererar toppmodern prestanda på kodningsbenchmarks som SWE-bench Verified, med...
Claude Sonnet 4.5 är en stor språkmodell från Anthropic, tillgänglig via OrcaRouters OpenAI-kompatibla API. Den är placerad mellan Anthropics Haiku- och Opus-modellnivåer och erbjuder en balans…
Claude Sonnet 4.5 presterar bra på uppgifter som kräver djup resonemang över långa texter, såsom dokumentanalys, sammanfattning och extrahering. Dess MMLU-Pro-poäng på 86.0 indikerar starka faktakunskaper och resonemangsförmåga inom ett brett spektrum av ämnen. Modellen är också effektiv på kodgenerering, felsökning och omfaktorisering, särskilt för stora projekt som ryms inom dess kontextfönster. För multimodala uppgifter kan den tolka bilder och ge beskrivningar, besvara frågor om visuellt innehåll eller extrahera information från diagram. Utmatningskapaciteten på 64,000 tokens gör att den kan producera omfattande svar, vilket gör den användbar för att skriva långt innehåll eller generera strukturerad data.
Claude Sonnet 4.5 accepterar bilder och filer som en del av sin inmatning tillsammans med text. När en bild tillhandahålls tolkar modellen dess visuella innehåll – såsom objekt, text i bilden eller spatiala relationer – och kan besvara frågor eller följa instruktioner baserat på den tolkningen. Filer kan laddas upp i olika format; modellen extraherar det textuella innehållet och bearbetar det inom samma kontext. Detta möjliggör uppgifter som att analysera en skannad faktura (bild) och ett relaterat kalkylblad (fil) samtidigt. Modellen genererar inte bilder; dess utdata är alltid text. Den multimodala bearbetningen använder token: bilder förbrukar token proportionellt mot deras upplösning, och filinnehåll tokeniseras som text.
Om dina uppgifter är enkla, kortvariga eller enkelmodal (endast text), kan en billigare modell som Anthropics Claude Haiku vara mer lämplig. Till exempel kan enkel klassificering, kort fråga–svar eller småskalig textgenerering ofta hanteras av mindre modeller till en bråkdel av kostnaden. På samma sätt, om du inte behöver utökad kontext eller multimodal kapacitet, kanske det inte är motiverat att betala för Claude Sonnet 4.5. Utvärdera komplexiteten och längden på dina typiska frågor. För batchbearbetning av tusentals korta förfrågningar minskar en billigare modell den totala kostnaden. OrcaRouter erbjuder flera modellnivåer så att du kan matcha modellen till ditt faktiska behov.
Claude Sonnet 4.5 är idealisk för uppgifter som utnyttjar dess stora kontext och multimodala indata. Exempel på bästa användningsområden inkluderar: sammanfatta hela juridiska avtal eller forskningsartiklar, utföra kodgranskning av en hel kodbas, generera dokumentation från kod, extrahera strukturerad data från scannade dokument (bilder) och bygga chattrobotar som behöver komma ihåg lång samtalshistorik. Den är även väl lämpad för utbildningsapplikationer där modellen måste läsa och resonera kring lärobokskapitel eller föreläsningsbilder. För kreativt skrivande möjliggör den höga utdatatoken-gränsen att generera långa innehåll som berättelser eller rapporter i en enda omgång. I varje fall indikerar modellens 86.0 MMLU-Pro-poäng ett tillförlitligt resonemang.
MMLU-Pro är ett riktmärke som mäter en modells fleruppgiftsförståelse av språk inom ett brett spektrum av ämnen, inklusive STEM, humaniora och samhällsvetenskap. Det består av flervalsfrågor utformade för att testa både kunskap och resonemang. Claude Sonnet 4.5 uppnår en poäng på 86,0 på detta riktmärke. Denna poäng indikerar att modellen korrekt svarar på 86,0 % av frågorna, vilket placerar den bland starka presterare för allmän kunskap och resonemangsuppgifter. Som kontext är MMLU-Pro en utökad version av den ursprungliga MMLU med mer utmanande frågor. En poäng över 80 anses vara mycket konkurrenskraftig, även om prestandan för specifika uppgifter kan variera.
Styrkor hos Claude Sonnet 4.5 inkluderar dess mycket stora kontextfönster (1M tokens), hög utmatningsgräns (64k tokens), stöd för multimodal inmatning och ett starkt MMLU-Pro-poäng på 86,0. Dessa egenskaper gör den kraftfull för långa kontextuella och multimodala uppgifter. Begränsningar anges inte i tillhandahållen data, men liksom alla LLM:er kan den ibland producera felaktig eller hallucinerad information. Den har inte realtidskunskap bortom sin träningsgräns. Den kan inte heller generera bilder eller utföra åtgärder utanför textutmatning. Kostnaden per token är högre än för mindre modeller, så den är kanske inte ekonomisk för enkla, korta uppgifter. OrcaRouter gör inte anspråk på någon specifik latensdata, så hastigheten beror på leverantörens infrastruktur.
Inga specifika latensdata för Claude Sonnet 4.5 tillhandahålls. Generellt beror hastigheten på faktorer som antal in- och utdatatecken, leverantörens backend-belastning och modellarkitektur. Som en mellannivåmodell förväntas den ha långsammare inferens än mindre modeller (t.ex. Claude Haiku) men snabbare än större (t.ex. Claude Opus). OrcaRouter skickar förfrågningar till Anthropics API, så svarstiderna är beroende av Anthropics infrastruktur. För latenskänsliga applikationer rekommenderas testning med dina typiska datapaket. Det stora kontextfönstret kan öka tiden till första token om stora indata bearbetas, eftersom modellen måste läsa in alla tokens innan den genererar utdata.
Medan Claude Sonnet 4.5 presterar bra på MMLU-Pro (86.0) och stöder stora kontexter, har den begränsningar som är vanliga för LLM:er. Den kan producera trovärdig men felaktig information (hallucination). Dess kunskap har ett träningsavstängningsdatum som inte anges i tillhandahållen data; den kan vara omedveten om mycket nyliga händelser. Modellen har inte surfningsmöjligheter eller externt minne utanför den aktuella kontexten. Multimodal bearbetning av högupplösta bilder kan förbruka betydande tokenbudget, vilket minskar den effektiva textkapaciteten. Prismodellen innebär att långa utskrifter eller mycket stora indata kan bli dyra. Det finns ingen garanti för konsekvens över identiska uppmaningar; temperatur och andra parametrar påverkar utdata. OrcaRouter's API kan ha hastighetsbegränsningar som inte specificeras här.
OrcaRouter fakturerar Claude Sonnet 4.5 enligt leverantörens taxa utan påslag. Priset är $3,00 per 1 miljon inmatningstokens och $15,00 per 1 miljon utmatningstokens. Inmatningstokens omfattar all text, bildtokenmotsvarigheter och filinnehållstokens som skickas i en begäran. Utmatningstokens är de genererade svartokens. Det tillkommer ingen extra avgift utöver tokenförbrukningen. Denna betala-per-token-modell innebär att kostnaderna skalar linjärt med användningen. För en begäran med 100 000 inmatningstokens och 10 000 utmatningstokens skulle kostnaden vara $0,30 för inmatning och $0,15 för utmatning, totalt $0,45.
Kostnaden per utmatningstoken ($15 per 1M) är fem gånger högre än kostnaden per inmatningstoken ($3 per 1M). Denna asymmetri uppmuntrar användare att utforma uppmaningar som minimerar längden på genererade svar. Till exempel kan man be om koncisa svar eller strukturerade utdata (JSON) för att minska antalet utmatningstokens. Omvänt kan inmatningskostnader ackumuleras om stora dokument inkluderas. Kontextfönstret på 1M möjliggör enorma inmatningar, men varje inmatningstoken medför kostnad. Användare bör utvärdera om hela kontexten är nödvändig. Om du genererar långa utdata kommer utmatningskostnaden att dominera. Att använda en lägre gräns för utmatningstokens (via parametern max_tokens) hjälper till att kontrollera utgifterna.
OrcaRouter tillhandahåller inte specifik information om cacherabatter eller hastighetsbegränsningar för Claude Sonnet 4.5 i de angivna uppgifterna. I allmänhet erbjuder vissa API-leverantörer promptcachning (dvs. att inte ombearbeta identiska indataprefix) för att minska kostnad och latens. Det rekommenderas att kontrollera OrcaRouters dokumentation för eventuella sådana funktioner. Hastighetsbegränsningar (t.ex. förfrågningar per minut eller tokens per minut) kan gälla och variera beroende på kontonivå. Användare med behov av hög genomströmning bör kontakta OrcaRouter för detaljer. Som en bästa praxis, implementera återförsökslogik med exponentiell backoff i din applikation för att hantera potentiella svar med hastighetsbegränsning.
Claude Sonnet 4.5:s pris ($3/$15 per 1M tokens) ligger mellan billigare mindre modeller (t.ex. Claude Haiku) och dyrare flaggskeppsmodeller (t.ex. Claude Opus). De exakta priserna för andra modeller anges inte, men generellt sett erbjuder en modell med 1M kontext och 86.0 MMLU-Pro-poäng ett specifikt värdeerbjudande. För uppgifter som inte kräver stor kontext eller multimodal input kan en mindre dyr modell vara mer kostnadseffektiv. Omvänt har Opus (om tillgänglig) troligen högre kostnad per token och potentiellt högre benchmark-poäng. OrcaRouters nollpåslags-policy innebär att du betalar exakt leverantörens taxa, vilket gör kostnadsjämförelser mellan modeller transparenta.
OrcaRouter tillhandahåller en OpenAI-kompatibel API-slutpunkt. För att använda Claude Sonnet 4.5, ställ in bas-URL till https://api.orcarouter.ai/v1 och ange modell-ID som "anthropic/claude-sonnet-4.5". Du behöver en API-nyckel från OrcaRouter. Begäran följer OpenAIs chattkompletteringsstruktur: skicka en array av meddelanden med roller som 'system', 'user', 'assistant'. För bildinmatning, inkludera ett meddelande med innehåll som har både text- och image_url-delar. För filinmatning kan du först behöva ladda upp eller koda filen som text. Svaret kommer att innehålla modellens genererade text i standard OpenAI-format. Exempel: 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"}]}'
När du anropar Claude Sonnet 4.5 via OrcaRouters API kan du använda standard OpenAI-chat-parametrar som 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' och 'stream'. Parametern 'max_tokens' styr utdatatoken-gränsen, upp till modellens maximala 64 000 tokens. För multimodala förfrågningar, inkludera 'image_url' i ett meddelandes innehållsarray. Parametern 'stream' stöder server-sända händelser för realtidsgenerering av tokens. Ytterligare parametrar som 'seed' för deterministiska utdata kan också vara tillgängliga. Se OrcaRouters dokumentation för hela listan. Observera att alla OpenAI-parametrar kanske inte stöds; testning rekommenderas. API:et svarar med ett JSON-objekt som innehåller 'choices', var och en med ett 'message'-objekt.
Om du byter från OpenAIs API till OrcaRouter för Claude Sonnet 4.5 är processen enkel tack vare API-kompatibilitet. Ändra bas-URL från https://api.openai.com/v1 till https://api.orcarouter.ai/v1. Byt ut din API-nyckel mot en OrcaRouter API-nyckel. Uppdatera modellnamnet till "anthropic/claude-sonnet-4.5". De flesta befintliga koder som använder OpenAI Python-klienten, JavaScript-klienten eller direkt HTTP-förfrågningar bör fungera med minimala ändringar. För multimodala funktioner (bilder, filer), se till att din meddelandestruktur matchar OpenAI-formatet med innehållsdelar. Om du tidigare använde Anthropics inbyggda API kan du behöva omstrukturera meddelanden till chattkompletteringsformatet (användare/assistentroller). OrcaRouters dokumentation innehåller troligen migrationsguider.
Claude Opus är Anthropics mest kapabla och dyraste modell, medan Sonnet 4.5 är ett mellanklassalternativ. Opus uppnår generellt högre benchmarkpoäng (exakta siffror anges inte), men kostar också mer per token. Sonnet 4.5 har ett 1M kontextfönster, samma som Opus vanligtvis, och en 64k utdatagräns. Avvägningen är mellan toppresterande resonemang (Opus) och en mer kostnadseffektiv balans (Sonnet). För uppgifter där Sonnets MMLU-Pro-poäng på 86,0 är tillräcklig kan det vara ett bättre värde. Om din applikation kräver maximal noggrannhet i utmanande uppgifter, överväg Opus. OrcaRouter erbjuder sannolikt båda, vilket möjliggör enkel växling genom att ändra model-ID.
Claude Sonnet 4.5 (MMLU-Pro 86.0) konkurrerar med andra mellan- till högpresterande modeller som GPT-4o. GPT-4o stöder också multimodala inmatningar och har ett stort kontextfönster (även om exakt storlek kan variera). Priser och riktmärkesresultat för GPT-4o anges inte här, så en direkt numerisk jämförelse är inte möjlig. Allmänna skillnader inkluderar arkitektoniska val och träningsmetoder. Vissa användare föredrar Claude för säkerhet och hantering av långa kontexter, medan andra gillar GPT-4o för dess bredare ekosystem. Via OrcaRouter kan du testa båda modellerna med samma API-format och jämföra resultat på din specifika data. Valet beror på empirisk prestanda för ditt användningsfall och acceptabel kostnad.
Välj Claude Sonnet 4.5 när du behöver en balans mellan kapacitet, kontextlängd och kostnad. Om dina uppgifter är korta och enkla (t.ex. enkelklassificering i en vända) är Haiku billigare och snabbare. Om du behöver bästa möjliga resonemang och är beredd att betala mer, är Opus det bättre valet. Sonnet är idealisk för mellanläget: den erbjuder ett stort kontextfönster (1M) och ett starkt MMLU-Pro-poäng (86.0) till ett måttligt pris. För applikationer som bearbetar långa dokument med måttlig komplexitet ger Sonnet troligen tillräcklig kvalitet utan att spendera för mycket. Om du är osäker tillåter OrcaRouters API dig att A/B-testa olika modeller genom att helt enkelt ändra modell-ID.
OpenAI-kompatibel — behåll det SDK du redan använder
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| Inmatning / 1M token | $3.00 |
| Utdata / 1M tokens | $15.00 |
| Cacheläsning / 1M | $0.300 |
| Cache-skrivning / 1M | $3.75 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
GET /api/public/models/anthropic/claude-sonnet-4.5Öppna @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