Claude Sonnet 5.5 在額外努力方面：為何「下一個 Claude 模型」的說法連它自己的兩項測試都無法通過

11月5日 UTC 12:44，一個名為 @chetaslua 的 X 帳號發布了一句自十月以來以各種形式流傳的話：「Sonnet 5.5 Extra 看起來像是路由到下一個 Claude 模型。」到隔天早上，該貼文已有 20,900 次瀏覽、384 個讚和 38 則回覆。它所指名的模型，是你今天就能呼叫的——Claude Sonnet 5.5，於9月28日推出，價格為每百萬個 token 2 美元與 10 美元。「Extra」這個詞並不是第二個模型。它是 Claude 投入程度選單中第二高的層級，Anthropic 將其標為 Extra high，而 API 稱之為 xhigh。

有兩項測試被提出作為證據：一個關於 Andrej Karpathy 在 2026 年去了哪裡的問題，以及一隻完全用 SVG 繪製的騎腳踏車的鵜鶘。兩項測試都在 Anthropic 於九月推出的模型上通過。這正是該說法的全部難處。其中一項測試檢查的事實，落在Claude Sonnet 5.5自身訓練窗口內一個月。另一項衡量的，是 Extra 設定旨在提高的量。兩者都無法區分「更好的模型回答了」與「我選的設定做了其文件所說的事」。

這並不表示那篇貼文毫無價值。這反而讓它成為一個乾淨的樣本：一場看似具有決定性、實則不然的測試——而它所用的兩個動作，一個是知識探測，一個是輸出尺寸的比較，正是今年秋天大多數路由主張背後的同樣兩個動作。逐一拆解這兩個動作，比再一輪猜測 Anthropic 尚未公布的事情更有用。

實際上發布了什麼

這篇文章描述了一次單一聊天工作階段與兩個提示詞。第一個提示詞詢問 Karpathy 在 2026 年去了哪裡，並指示模型不要使用網路；回覆說他於 2026 年 5 月加入 Anthropic 的預訓練團隊。第二個提示詞要求「在只能使用程式碼的前提下，盡可能逼真地畫出騎腳踏車的鵜鶘」，結果被描述為 26,599 個 SVG 元素、約 6,500 筆羽毛筆觸、沒有內嵌圖片、data URI 或腳本，以及 1,860 行 Python。從這兩次交流，原發文者得出結論：這個標籤所提供服務的，是比它所指名的模型更新的東西。

它沒有附帶任何東西。沒有模型識別碼、沒有費率卡、沒有系統卡、沒有 Anthropic 聲明。它所暗示的後繼者自十月以來一直以幾個名稱流傳，這些名稱沒有一個是 Anthropic 的，也沒有一個可以被呼叫。Anthropic 自己的模型清單，今天查看，列出四個現行模型：Claude Fable 5.1、Claude Opus 5.5、Claude Sonnet 5.5 和 Claude Haiku 5.5。沒有第五列，而且貼文中沒有任何讀者可以測試的識別碼。

「Extra」究竟是什麼，在它成為謎團之前

Claude 應用程式中的 effort 選單列出五個等級——Low、Medium、High、Extra high（xhigh）與 Max——並將模型建議的等級標示為 Default。「Extra」是人們對第四個等級的簡稱。Anthropic 自家的參考資料將 xhigh 描述為針對長程工作擴充的能力，鎖定「長時間執行的代理式與程式設計任務（超過 30 分鐘），token 預算達數百萬」。這是供應商事先告訴你，這個等級的用意就是消耗比下一級多出許多的資源。

這個等級也是按每個模型各自校準，而非全域校準。Anthropic 針對這一代的遷移說明直言，Claude Sonnet 5.5 的 effort 等級經過重新校準——某個等級「不會產生與 Claude Sonnet 5 上相同份量的思考」——並告訴開發者要重新執行他們的 effort 掃描，而不是把設定直接沿用過來。由此得出兩個結論，兩者都很無趣，且都對這個推論是致命的。在 Sonnet 5.5 上以 Extra 發出的請求，並不等同於在其前代上以 Extra 發出的請求，所以「感覺跟記憶中不一樣」是預料之中的事。而把旋鈕從 High 轉到 Extra，就是在指示花更多 token，因此更長、更密、更繁複的圖，正是被要求的結果。

還有一個表層細節值得釐清，因為標籤正是在這裡開始對不上。Claude API 對此模型的預設 effort 是 high；Claude Code 對同一模型的預設則是 medium。應用程式在 Extra 下的回應、API 在其預設設定下的回應，以及 Claude Code 在其預設設定下的回應，是同一個模型的三種不同配置。拿其中任兩者相比並得出「出現了新模型」的結論，其實是在比較預設值，而不是檢查點。

測試一：以六月截止日查核一項五月的事實

Karpathy 問題是這兩個探測中較強的一個，因為與這些測試中的大多數不同，它的答案可以對照公開紀錄來查核。查核結果無誤。Karpathy 於 2026 年 5 月 19 日在 X 上宣布他已加入 Anthropic；他在當週開始於預訓練團隊工作，向 Nick Joseph 匯報，並表示他將建立一個團隊，專注於使用 Claude 加速預訓練研究。該貼文所描述的回覆——已加入 Anthropic、2026 年 5 月、預訓練團隊——是準確的。

準確性才是問題所在。Claude Sonnet 5.5 的可靠知識截止點是 2026 年 6 月，而其訓練資料截止點也是同一個時間。那次入職發生在那條界線之前大約一個月。已發布的 Claude Sonnet 5.5 在關閉網路的情況下被問到這個問題時，理應能夠回答，而能夠回答正是其文件所預期的。該探測產生了零結果，卻被解讀為研究發現。

值得精確說明知識探針能做什麼、不能做什麼，因為大多數這類主張正是在這裡出錯：

• 關於截止日期前事件的正確答案是沒有資訊價值的。這一系列中的每個模型都已經在該事件上訓練過。

• 錯誤的答案原本會提供有用資訊——但方向正好相反。如果一個理應知道 2026 年 5 月那次招聘的模型否認此事，那證明的是另一個較弱的檢查點，而不是一個更強、尚未公布的檢查點。

• 只有截止點之後的事實才具有區辨力。2026 年 6 月之後發布、當前產品線中任何模型都不可能訓練過的事實，才是能把新檢查點與舊檢查點區分開來的那一種問題形式。Karpathy 在 11 月 2 日於自己的部落格發表了一篇工作流程文章。在關閉網路的情況下詢問其內容，本會是真正的測試。詢問他五月去了哪裡則不是。

測試二：衡量冗長度的鵜鶘計數

Simon Willison 的鵜鶘提示詞是他長期使用的臨時評測，而他於 9 月 28 日、也就是 Claude Sonnet 5.5 推出當天，用它對該模型進行了測試。他在此公布的结果是有用的基準，因為這些結果有日期、有出處、經過測量，而非憑肉眼計數。

• 在最高努力等級下——比該文章所用的等級再高一階——模型花費了 128,000 個輸出 token，達到上限，成本為 $1.28，卻完全沒有產出任何 SVG。

• 在 xhigh（貼文稱為 Extra 的級別）下，同一個模型花了 41 秒、5.74 美分生成了一隻鵜鶘。

把這兩行放在一起讀，這篇文章的第二項測試就站不住腳了。已出貨的模型在 Extra 設定下就已經畫出鳥了——也就是那次 41 秒、5.74 美分的執行——所以 Extra 下出現鳥並不異常。已出貨的模型在比 Extra 高一階的設定下卻什麼都沒畫出來，因此在這個任務上，effort 調節鈕是壓倒性的主要變數，而 effort 調節鈕正是這篇文章唯一改動的東西。一個會隨著你轉動的設定而變化的結果，就是關於該設定的證據。

元素數量值得單獨算一算，因為這是最可能被重複的數字。Anthropic 表示，在目前的 tokenizer 上，100 萬個 token 大約相當於 250 萬個字元。如果 26,599 個元素平均每個 40 個字元——一旦把路徑資料和屬性算進去，這是保守估計——整張圖大約會是 106 萬個字元，或大約 424,000 個 token。這超過 128,000 token 同步輸出上限的三倍，也高於 300,000 token 的批次上限。若元素平均每個七個字元，相同數量則可輕鬆落在約 74,000 個 token 之內。

因此，數量受標記密度限制，而不是受模型能力限制，而更簡潔的模型反而貼出更大的數字。貼文自己的描述指向更可能的解讀：同一段對話中出現了 1,860 行 Python，而一個迴圈遍歷羽毛的腳本可以輸出 26,599 個元素，而不需要模型寫出 26,599 個元素。貼文沒有說明那段程式碼是否畫出那隻鵜鶘，還是另一個獨立產物，而這正是讀者會需要的細節。在沒有該檔案的情況下所能說的是，元素數量是某個層級上的冗長程度指標，而該層級有明文記載的職責就是產生更多內容。

描述裡唯一真正有意思的那句，是否定性的那句：沒有內嵌圖片、沒有 data URI、沒有腳本。一隻細節達到這種程度的鵜鶘，只靠向量基元建構出來，是真本事。不過，這是關於輸出品質的成果；而在更高努力設定下的輸出品質，正是模型最不讓人意外的表現。

另一個 Claude 回答的唯一有記載方式

這些都無法證明 Anthropic 絕不會以同一個標籤、搭配不同的權重來處理請求。它確實意味著，該主張必須解釋 Anthropic 實際記錄下來的機制，而這兩項機制都指向相反的結論。

第一種是拒絕備援機制（refusal fallback）。被拒絕的請求會回傳 HTTP 200，並帶有 stop_reason: "refusal" 以及一個指出政策領域的 stop_details 物件。伺服器端備援機制可透過 fallbacks: "default" 設定，且在 Claude API 上處於 beta，會針對 Claude Sonnet 5——較舊、較便宜的模型——重試 cyber 與 frontier_llm 的拒答。這是有文件記載的案例：一個 Sonnet 5.5 請求由其他東西回答，而這是一種會在回應中自我表明的降級。

第二個是思考區塊綁定。思考區塊會記錄是哪個模型產生它們；當對話轉移到無法讀取這些區塊的模型時，API 會在模型看到請求之前將它們丟棄，並在設定了 beta 標頭時於 input_transformations 中回報這次丟棄。這是 API 在告訴你服務模型已變更。這兩種機制都不會把 claude-sonnet-5-5 請求升級成同一個字串下更強大、未公告的模型。

沒有機制，並不證明什麼事都沒在發生。然而，這正是該主張必須達到的標準：一個永遠只描述改善的路由敘事，必須解釋為什麼 Anthropic 所公布的那唯一一條路徑會走下坡，還會留下憑據。

最接近外部檢驗的，是獨立評測者針對 Anthropic 實際出貨的模型所跑的指數評測。Artificial Analysis 在其 Intelligence Index v5.0.1 上給 Claude Sonnet 5.5 打了 55 分，在 69 個模型中排名第九，而中位數為 37。這是對目前所供應之字串的一次讀數，而這也正是日後若有實質更強的檢查點藏身於同一名稱之下，預期終將顯現的表面上。

能定奪此事的測試會是什麼樣子

如果你想知道眼前的標籤是不是由別的東西提供服務，這個實驗並不難。只是沒有張貼一隻鵜鶘那麼有趣。

• 固定識別碼，而不是標籤。以明確的 effort 值呼叫 claude-sonnet-5-5，讓每次送出的都是同一個請求。選單上的標籤只是產品表層；識別碼才是真正的目標。

• 多取樣幾次。在同一檔位上的一次回應只是軼事。在高檔與 xhigh 各取十次，相同的系統提示、相同的 max_tokens，就能得到兩個分布。努力程度會帶來輸出長度的平滑、單調變化。不同的檢查點往往會在內容上產生長度無法解釋的不連續。

• 使用一項截止日期之後的事實。以 2026 年 6 月為截止點，意味著 6 月之後發布的一切都可作為有效素材，而 6 月之前發布的一切作為探針都毫無價值。這是唯一能讓 11 月 5 日那場測試值得執行的改變。

• 讀取回應物件，然後對它打折扣。model 欄位、usage、stop_reason 與 stop_details 值得記錄，而拒絕備援（refusal fallback）在那裡也可見。但這些欄位只是呼應伺服器自稱做了什麼。它們是陳述，不是檢驗——與要求模型描述自身屬於同一類證據。

• 先計價，再執行。以每百萬個 token 2 美元與 10 美元計算，一個 128,000 個 token 的回應成本為 1.28 美元，這既是 Willison 的數字，也正好是價目表上的費率。允許二十個回應都跑到上限，約需 25 美元。

在等待答覆期間，Extra 會收取哪些費用？

傳聞背後有一個實際問題，而這個問題不取決於是否要釐清該傳聞。Claude Sonnet 5.5 會將 thinking 計為輸出，thinking 會計入 max_tokens，而 Extra 的文件記載其用於數百萬級的 token 預算。單一回應若花費一百萬個輸出 token，光是在輸出端就要花 $10，而這份費率表正是許多團隊當初選擇它的原因——因為它屬於便宜層級。

• 比 Extra 高一級，實測的 pelican 執行達到 128,000 個 token 上限，花費 $1.28，卻沒有產出圖像。在此模型上，一次失敗請求的成本並非零。

• 再低一個檔次，同樣的任務在 41 秒內完成，花費 5.74 美分。兩者之間的差距超過二十倍，而這是由一個下拉式選單決定的。

• 一個團隊每天執行 1,000 次 Extra 請求，每次輸出 30,000 個 token，等於每天花費 3,000 萬個輸出 token，也就是 $300，而且這還完全未計入輸入 token。

這就是讀者今天就能據以行動的部分，無論 Anthropic 接下來推出什麼。如果 Extra 是另一個不同的模型，這筆意外收穫雖然真實，卻無法規劃。如果 Extra 顧名思義，那麼一個尚未針對 high 與 medium 進行全面檢視的工作負載，就是在為沒有人衡量過的徹底性付出代價。

OrcaRouter 將 Claude Sonnet 5.5 以供應商自身的 $2 與 $10 價格路由，且不額外加價，而 effort 是每次請求的參數，而不是另立的合約，因此跨各個層級掃描 effort 不過是腳本裡的一個迴圈。這也是對這類說法誠實的避險：固定你原本所指的模型識別碼，在每個層級執行相同提示，並比較你自己的 token 計數，而不是截圖。當路由問題無法從外部解決時，次佳做法是建立一套設定，讓答案能在你自己的流量上被衡量——而且容錯切換到 high 或不同模型只是設定變更，而不是遷移。

什麼會改變這個頁面

一個模型識別碼、一張費率表、一張系統卡，或 Anthropic 一句指明接班者的話。這其中任何一項，都能在一個下午之內解決這個問題，而今天這些全都不存在。在其中一項出現之前，對於標籤背後那個東西，最誠實的描述就是 Anthropic 自己公布的那份：Claude Sonnet 5.5、2026 年 6 月的截止點、五個努力層級，以及一個有文件記載的理由，讓人相信在更高設定下的一隻更大的鵜鶘，就是在更高設定下的一隻更大的鵜鶘。

這篇貼文自己的框架就露餡了。它拿 Extra 跟預期相比，而不是跟實測相比——無論是 Sonnet 5 上的同一個檔位、max 下的同一個檔位，還是發表當週公布的基準值。這些比較都存在，而且成本很低。在有人實際跑過這些比較之前，「看起來像在路由」只是在描述一個下拉選單盡了它的本分。