Claude Sonnet 5.5 的 Extra Effort：为何“下一代 Claude 模型”的说法连它自己的两项测试都通不过

11 月 5 日 12:44 UTC，一个名为 @chetaslua 的 X 账号发布了一句话，这句话自 10 月以来一直以各种形式流传：“Sonnet 5.5 Extra 看起来像是在路由到下一个 Claude 模型。”到第二天早上，该帖子已有 20,900 次查看、384 个赞和 38 条回复。它点名的模型正是你今天就能调用的一个——Claude Sonnet 5.5，于 9 月 28 日发布，价格为每百万 token 2 美元和 10 美元。“Extra”这个词并不是第二个模型。它是 Claude 的 effort 菜单上第二高的档位，Anthropic 将其标注为 Extra high，API 则称之为 xhigh。

有人提出两项测试作为证据：一个问的是 Andrej Karpathy 在 2026 年去了哪里，另一个是一只完全用 SVG 画出的骑自行车的鹈鹕。两项测试在 Anthropic 于九月发布的模型上都通过了。这正是该说法全部的问题所在。Claude Sonnet 5.5其中一项测试所检验的事实，恰好落在{{2}}Claude Sonnet 5.5{{/2}}自身训练窗口内的某一个月里。另一项测量的，则是“Extra”设置存在的目的本就是要提升的那个量。两者都无法区分“是更好的模型回答了问题”和“我所选的设置做了其文档声称会做的事”。

那并不会让这篇文章变得毫无价值。它反而让它成了一个干净的样本：一项看似具有决定性、实则并非如此的测试——而它所使用的两个手法，即知识探测和输出大小比较，也正是今年秋天大多数路由主张背后的两个手法。逐一梳理这些手法，比再一轮猜测 Anthropic 尚未宣布什么更有用。

实际发布的是什么

帖子描述了单次聊天会话和两个提示词。第一个提示词问 Karpathy 在 2026 年去了哪里，并指示模型不要使用网络；回复称他于 2026 年 5 月加入 Anthropic 的预训练团队。第二个提示词要求“仅用代码尽可能逼真地画一只骑自行车的鹈鹕”，结果被描述为 26,599 个 SVG 元素、约 6,500 笔羽毛描边、没有内嵌图像、data URI 或脚本，以及 1,860 行 Python。基于这两次交流，发帖者得出结论：这个标签所服务的是比它名称所指模型更新的东西。

它没有附带任何东西。没有模型标识符，没有费率卡，没有系统卡，也没有 Anthropic 的声明。它所暗示的继任者自十月以来一直以多个名称流传，其中没有一个来自 Anthropic，也没有一个可调用。今天查看 Anthropic 自己的模型列表，其中列有四个当前模型：Claude Fable 5.1、Claude Opus 5.5、Claude Sonnet 5.5 和 Claude Haiku 5.5。没有第五行，帖子中也没有任何读者可以测试的标识符。

“Extra”在变成谜团之前究竟是什么

Claude 各应用中的 effort（投入力度）菜单列出了五个档位——Low、Medium、High、Extra high（xhigh）和 Max——其中模型推荐的那一档会标注为 Default。人们通常用“Extra”来简称第四档。Anthropic 自己的参考文档将 xhigh 描述为面向长周期工作的扩展能力，针对的是“长时间运行的智能体与编码任务（超过 30 分钟），token 预算达数百万”。这等于厂商提前告诉你：这一档的消耗注定要比它下面那一档大得多。

这一档位同样是按模型校准的，而不是全局校准。Anthropic 针对这一代的迁移说明明确表示，Claude Sonnet 5.5 的 effort levels 已经重新校准——某个档位“产生的思考量并不与在 Claude Sonnet 5 上相同”——并告诉开发者重新运行他们的 effort sweep，而不是把某项设置直接沿用过来。由此产生两个后果，二者都乏味，也都对上述推断致命。在 Sonnet 5.5 上以 Extra 发出的请求，与其前代上以 Extra 发出的请求并不相同，因此“感觉和我记忆中不一样”是意料之中的。而把旋钮从 High 调到 Extra，就是要求花费更多 token，所以更长、更密、更精细的绘图正是所要求的结果。

还有一个值得明确的表层细节，因为正是在这里，标签开始对不上。对于这个模型，Claude API 的默认努力程度是 high；而同一模型在 Claude Code 中的默认值是 medium。应用在 Extra 档位下的一次响应、API 在其默认档位下的一次响应，以及 Claude Code 在其默认档位下的一次响应，是同一个模型的三种不同配置。把其中任意两者拿来比较并得出“出现了一个新模型”的结论，实际上比较的是默认设置，而不是检查点。

测试一：一条五月的事实对照六月的截止时间进行核查

卡帕西这个问题是两个探针中更强的那个，因为与这里的大多数测试不同，它的答案可以对照公开记录来核实。而它经得起核实。卡帕西于2026年5月19日在X上宣布他已加入Anthropic；他在那一周入职预训练团队，向尼克·约瑟夫汇报，并表示他将组建一个团队，专注于利用Claude加速预训练研究。帖子所描述的那条回复——2026年5月加入Anthropic，预训练团队——是准确的。

问题在于准确性。Claude Sonnet 5.5 的可靠知识截止时间是 2026 年 6 月，其训练数据截止时间也相同。那次招聘发生在这条分界线之前大约一个月。已发布的 Claude Sonnet 5.5 在关闭网络的情况下被问到这个问题时，应当能够回答它，而它的文档也预测它会作答。这次探测产生了零结果，并被解读为研究发现。

值得准确说明知识探针能做什么、不能做什么，因为大多数这类说法恰恰是在这里出错的：

• 关于截止日期前事件的正确答案不提供任何信息。该系列中的每个模型都接受过相关训练。

• 一个错误答案本会提供信息——但方向相反。如果一个本应知道 2026 年 5 月一次招聘的模型否认了这件事，那就证明它是另一个更弱的检查点，而不是一个更强的、未公布的检查点。

• 只有截止日期之后的事实才具有区分力。一个在2026年6月之后发布、当前产品线中的任何模型都不可能训练过的事实，才是能区分新检查点与旧检查点的唯一问题形态。Karpathy于11月2日在自己的博客上发布了一篇工作流文章。在关闭联网的情况下询问其内容，本会是一场真正的测试。询问他五月去了哪里则不是。

测试二：一项衡量冗长度的鹈鹕计数

pelican 提示词是 Simon Willison 长期进行的临时评测，他在 9 月 28 日、也就是该模型发布当天，用它对 Claude Sonnet 5.5 进行了测试。他公布的结果是这里有用的基线，因为这些结果有日期、有归属且经过测量，而不是靠肉眼计数。

• 在最高努力档位——比帖子所用的档位还高一级——模型消耗了 128,000 个输出 token，触及上限，花费 1.28 美元，而且根本没有生成任何 SVG。

• 在 xhigh——即文章中称为 Extra 的那一档——同一模型用 41 秒、花费 5.74 美分生成了一只鹈鹕。

把这两行放在一起看，文章的第二项测试就不成立了。已发布模型在 Extra 档位上已经能画出那只鸟——那是一次耗时 41 秒、花费 5.74 美分的运行——所以 Extra 档位画出鸟并不反常。比 Extra 高一档的已发布模型完全画不出任何东西，因此在这项任务上，努力程度旋钮是压倒性的主导变量，而文章唯一改变的就是这个努力程度旋钮。一个会随着你所调动的设置而变化的结果，就是关于该设置的证据。

元素数量值得单独算一笔，因为它是最有可能被重复提及的数字。Anthropic 表示，在当前的 tokenizer 上，100 万 token 大约相当于 250 万字符。如果 26,599 个元素的平均长度为 40 个字符——把路径数据和属性算进去后，这是一个保守的估计——那么这幅图大约会是 106 万字符，也就是约 424,000 个 token。这超过 128,000 token 同步输出上限的三倍，也高于 300,000 token 的批处理上限。如果这些元素的平均长度为七个字符，同样的数量则可以轻松容纳在约 74,000 个 token 内。

因此，数量受标记密度限制，而不受模型强度限制，而且更简洁的模型反而会报出更大的数字。帖子自己的描述指向更可能的解读：同一段对话中出现了 1,860 行 Python，而一个遍历羽毛的脚本可以生成 26,599 个元素，无需模型亲自写出 26,599 个元素。帖子没有说明那段代码画的是鹈鹕，还是一件独立的产物，而这正是读者需要的细节。在没有文件的情况下，能说的是：元素数量衡量的是某个档位上的冗长程度，而该档位有据可查的职责就是产出更多。

描述中唯一真正有趣的一句是否定式的说明：没有嵌入图像，没有 data URI，没有脚本。仅用矢量图元就能做出那种细节水平的鹈鹕，确实是个实打实的成果。不过，这是关于输出质量的成果；而在更高投入程度的设置下，输出质量恰恰是模型最不令人意外的表现。

另一个 Claude 回答的唯一有文档记录的方式

这一切都不能证明 Anthropic 绝不会用同一标签、不同权重来处理请求。它确实意味着，该说法必须解释 Anthropic 确实记录在案的机制，而这两套机制都指向相反的结论。

第一种是拒绝回退。被拒绝的请求会返回 HTTP 200，带有 stop_reason: "refusal" 和一个指明策略领域的 stop_details 对象。服务端回退通过 fallbacks: "default" 设置，并在 Claude API 上处于测试阶段，会在 Claude Sonnet 5——更旧、更便宜的模型——上重试 cyber 和 frontier_llm 拒绝。这是一个有文档记载的案例：Sonnet 5.5 请求由其他模型作答，而且这是一种在响应中自我宣告的降级。

第二点是思考块绑定。思考块会记录自己是由哪个模型生成的；当一段对话转移到无法读取这些思考块的模型时，API 会在模型看到请求之前将它们丢弃，并在设置了 beta 请求头时于 input_transformations 中报告这次丢弃。这就是 API 在告诉你，提供服务的模型已经改变。这两种机制都不会把 claude-sonnet-5-5 的请求升级为同一字符串下更强的、未公布的模型。

缺少某种机制，并不能证明什么也没有发生。然而，这恰恰是该说法必须满足的标准：一个始终只描述改进的路由叙事，必须解释为什么 Anthropic 公布的那唯一一条路径会走下坡路，并留下凭据。

最接近外部检验的，是独立评估者针对 Anthropic 所发布模型运行的那个指数。Artificial Analysis 在其 Intelligence Index v5.0.1 上将 Claude Sonnet 5.5 列为 55 分，在 69 个模型中排名第九，而中位数为 37。这是对当前所提供字符串的一种读数，而一个以相同名称隐藏、实质上更强的检查点，最终预计会显现的正是这一表层。

一个能最终解决这个问题的测试会是什么样子

如果你想知道你面前的标签是否由别的东西提供服务，这个实验并不难。只是没有发一只鹈鹕那么有趣。

• 固定标识符，而不是标签。使用显式的 effort 值调用 claude-sonnet-5-5，这样每次请求都是同一个请求。菜单中的标签是产品界面；标识符才是目标。

• 多次采样。在单个档位上的一次响应只是个例。在高档位采十次、在 xhigh 档位采十次，使用相同的系统提示词和相同的 max_tokens，就能得到两个分布。Effort 会产生输出长度的平滑、单调变化。不同的检查点往往会在内容上产生不连续性，而这是长度无法解释的。

• 使用截止日期之后的事实。2026年6月的截止日期意味着，6月之后发表的一切都可作为探针素材，而此前发表的一切作为探针都毫无价值。正是这一项改动，本会让11月5日的测试值得一跑。

• 读取响应对象，然后对其打折扣。model 字段、usage、stop_reason 和 stop_details 值得记录，而且在那里可以看到拒绝回退。但这些字段只是复述服务器声称自己做了什么。它们是陈述，而非检查——与让模型描述自身属于同一类证据。

• 先估算价格，再运行。按每百万 token 2 美元和 10 美元计算，一次 128,000 token 的响应成本为 1.28 美元，这是 Willison 给出的数字，也正好是价目表上的费率。允许二十次响应跑到上限，大约要 25 美元。

等待答复期间会产生哪些额外费用？

传闻背后有一个实际问题，而这个问题并不取决于能否澄清传闻。Claude Sonnet 5.5 将思考内容按输出计费，思考会计入 max_tokens，而 Extra 的文档说明其 token 预算可达数百万。单次响应若消耗一百万个输出 token，仅输出侧就要花费 10 美元，而许多团队选择这套价目表，恰恰是因为它属于便宜档位。

比 Extra 高一级，实测的 pelican 运行触达了 128,000 token 的上限，花费 1.28 美元却未能生成图画。在此模型上，一次失败请求的成本并非为零。

• 低一档，同样的任务41秒便完成了，花费5.74美分。两者之间的差距超过二十倍，而这一切只由一个下拉菜单决定。

• 一个团队每天发起 1,000 个 Extra 请求，每个请求输出 30,000 个 token，那么每天就要消耗 3,000 万个输出 token，也就是 300 美元，而这还没有把输入 token 计算在内。

这部分是读者今天就能据此行动的内容，无论 Anthropic 接下来发布什么。如果 Extra 是另一个模型，这笔意外收益是真实的，但无法规划。如果 Extra 名副其实，那么一个尚未针对 high 和 medium 进行全面评估的工作负载，就是在为无人衡量过的彻底性买单。

OrcaRouter 路由 Claude Sonnet 5.5 价格采用供应商自身的 2 美元和 10 美元，且不额外加价，并且 effort 是按请求设置的参数，而不是单独的合同，因此跨档位进行 effort 扫描只是脚本中的一个循环。对于类似这种说法，这也是一种诚实的对冲：固定你原本所指的模型标识符，在每个档位运行相同的提示词，比较你自己的 token 计数，而不是看截图。当路由问题无法从外部解决时，次优方案是建立一个能在你自己的流量上衡量答案的环境——并且故障转移到高 effort 或切换到不同模型只是配置更改，而不是迁移。

什么会改变此页面

模型标识符、费率卡、系统卡，或者 Anthropic 点名继任者的一句话。其中任何一项都能在一个下午内解决这个问题，而如今这些一项都不存在。在其中一项出现之前，对标签背后之物的诚实描述，就是 Anthropic 所公布的那一个：Claude Sonnet 5.5，2026 年 6 月的截止时间，五个 effort 档位，以及一个有据可查的理由去相信：更高设置下更大的鹈鹕，仍然是更高设置下更大的鹈鹕。

这篇帖子自己的表述就露了馅。它把 Extra 与一种预期作比较，而不是与一次实测作比较——比如 Sonnet 5 上的同一档位，或 max 下的同一档位，或发布周公布的基线。这些比较都存在，而且成本很低。在有人实际跑这些比较之前，“看起来像路由”只不过是在描述一个下拉菜单在履行它的职责。