Claude Sonnet 5.5 vs Claude Opus 5.5：基準測試趨同，帳單卻不然

Claude Sonnet 5.5 於 2026 年 9 月 28 日正式全面推出，每百萬個輸入符元 2.00 美元，每百萬個輸出符元 10.00 美元。Claude Opus 5.5，Anthro​pic 的旗艦模型，早了六天、在 9 月 22 日推出，價格為 4.00 美元與 20.00 美元——兩條價格線都恰好是兩倍。最直觀的解讀是：Opus 5.5 是上限，而 Sonnet 5.5 是當預算確實有限時所做出的妥協。Anthro​pic 自家的發布表格並不支持這種解讀。在公司公布的數字上，Claude Sonnet 5.5 在 GDPval-AA v2.1 拿下 1844，對上 Opus 5.5 的 1846；在 AA-Briefcase v1.1 是 1811 對 1822；在 Terminal-Bench 4.0 則是 70.6% 對 66.4%——它贏了那個衡量終端機內實際完成工作的基準測試。在那些數字下方兩行，Anthro​pic 自家的說明文字指出，Opus 5.5「在複雜、開放式的工作上仍明顯更強」。這兩種說法都為真，而設法同時成立地看待它們，正是這篇比較的主要用意所在。

發射表說了些什麼，以及它避而不談些什麼

Anthropic 基準測試區塊中的模式，是一個已經縮小了大部分差距的模型，而不是一個已經取得領先的模型。GDPval-AA v2.1，一個經濟加權的任務集，是兩分的平手。AA-Briefcase v1.1，一個文件與交付成果的評估，是十一分的平手。CursorBench 4.0 則相反：Sonnet 5.5 為 55.5%，對上 Opus 5.5 的 57.8%。OSWorld 2.1 為 80.1% 對上 81.8%，而 Humanity's Last Exam 使用工具時為 64.5% 對上 67.7%。只有 Terminal-Bench 4.0 打破了這個模式，而且打破得很徹底——70.6% 對上 66.4%，Sonnet 在代理式命令列工作上取得四分的優勢。

與其盯著數字，不如去看列標籤，就會浮現另一件事。那幾筆 Opus 5.5 的項目中，有幾項帶有 effort 註記——在 Xhigh 下為 66.4%——而一則註腳指出，在 FrontierCode 上，Max 設定的得分低於 Xhigh，而非更高。更高的 effort 並非單調遞增。一個精打細算的團隊若以為「最大 effort」是免費升級，那便是花錢買 token，換來至少一項 Anthropic 自家測試上更差的答案。而在 FrontierCode 1.1 上，同一則註腳指出 Sonnet 5.5 在 Max 設定下為 46.2%，對比 Opus 5.5 的 54.4%——這是旗艦機種仍在何處明顯拉開差距的最清楚單一數字：在獎勵持久性的任務定義之下所進行的長時程程式碼工作。

還有一點值得開門見山地說清楚，而不是把它埋起來。Anthropic 指出，其發布的 GDPval-AA 與 AA-Briefcase 測試是在一個預先發布的部署版本上執行，而該版本帶有結構化輸出（structured-outputs）錯誤。這會影響同一張表中的兩個模型，因此這項比較並未因此失效，但這確實意味著絕對數字應被視為一份快照，而非已成定論的結果。供應商的基準測試表是帶有方法論附錄的行銷產物，而這一份還附上了它的附錄。

獨立測量落在何處

Artificial Analysis 在單一測試框架下為兩個模型評分，採用其標示為「Adaptive Reasoning, Max Effort, Default Fallback」的相同配置，依據 Intelligence Index v4.3。Claude Opus 5.5 為 58 分。Claude Sonnet 5.5 為 56 分。在同一評分尺度上，這僅是兩分的差距，而同一位評測者給 Opus 5 的分數為 51、Sonnet 5 為 38、DeepSeek V4 Pro 為 36，Gemini 3.1 Pro Preview 則為 30。一款全新的 Sonnet 僅落後旗艦兩分，卻超前前一代 Opus 五分，這正是本次發布的實質主張，而且這是第三方的主張，而非廠商自身的主張。

接著，同一頁卻顛覆了這套經濟邏輯。Artificial Analysis 指出，Sonnet 5.5 的一次評估執行每項任務要價 7.60 美元，而 Opus 5.5 為 5.98 美元，儘管 Sonnet 5.5 每 token 的價格只有一半。原因就寫在那一頁上：Sonnet 5.5 在該索引套件中產生了 4.1 億個 token，而它所追蹤的模型的中位數為 8,800 萬個——用評估者的話來說，就是「極為冗長」。Opus 5.5 在同一套件中則產生了 2.6 億個。在每百萬輸出 token 分別為 10 美元與 20 美元的情況下，約 1.6 倍的冗長係數仍讓 Sonnet 5.5 每完成一項任務多付約 27%。

這是逐 token 價目表無法讓你看到的比較部分，也是這兩個數字能夠並存、彼此不矛盾的原因。以每個 token 計算，Sonnet 5.5 便宜了一半。以每個完成的任務計算，在一個提示開放式、且不講究輸出長度的評估套件上，它可能反而更貴。你的工作負載屬於哪一種情況，才是真正該做的決定。

投入程度、輸出上限，以及整合的樣貌

對買家而言，這兩款型號在機械方面的關鍵特性幾乎完全相同。

• 上下文 — 兩者皆為 1,000,000 個 token，且來自同一個供應商，因此提示工程的假設可原封不動地沿用

• 最大輸出 — 兩者皆為 128,000 個 token；批量生成在這裡並非差異化因素

• 模態 — 兩者皆支援文字、圖像與檔案輸入；兩者皆不接受音訊或視訊

• 推理控制 — 兩者皆採用自適應思考，深度由 effort 參數決定，而非由思考權杖預算決定。在 Claude 平台上，預設為高；在 Claude 應用程式內則為中。

• 快取寫入 — Claude Opus 5.5 每百萬 $5.00，對比 Claude Sonnet 5.5 的 $2.50，這是唯一一項，較便宜的模型同時也是餵入重建前綴時較便宜的那個模型

• 快取讀取 — 兩者皆為每百萬 $0.20，在長時間代理執行中佔主導地位的項目上完全打平

因為介面相符，所以它們之間的遷移只是模型字串的變更與工作量的重新評估，而不是一項整合專案。這在跨供應商之間並不常見，而這正是這個特定組合值得比較的根本原因：這兩個候選方案在價格和深度上不同，而不是在你必須撰寫的 API 上。

有一項運作上的差異值得單獨說明。Anthropic 表示，Claude Sonnet 5.5 是第一個在推出時，其網路安全防護與備援機制就與其頂級模型處於同等地位的 Sonnet，這意味著風險較高的網路安全請求會明顯被轉送到前一代 Sonnet，而不是由你指定的模型回答。如果你的工作負載涉及該領域，模型字串並不保證實際回應的是哪個模型——不論哪個層級都一樣。Anthropic 也指出，如果你在停用思考模式的情況下執行 Sonnet，就必須改用工具之間的行為（between-tools behaviour），這是程式碼變更，而不是設定旗標。這兩點都不是避開該模型的理由；兩者都是你在正式推出前應該先了解的原因。

在 OrcaRouter 上，Claude Opus 5.5 今天就能用與目錄中其他所有模型相同的憑證進行路由，以供應商定價、零加成提供，底層還具備自動容錯移轉機制。Claude Sonnet 5.5 目前還不是我們平台上的路由——這個模型才推出一一天，在它正式上架之前，誠實的說法是：你得透過 Anthropic 自家的 API 才能使用它。目前透過我們使用 Opus 5.5 的人，可以在它上架當天評估切換成本，而無須更動整合的其他任何部分。

哪一個要放在哪裡

從這些數字得出的分工：Claude Sonnet 5.5 適合終端機綁定的代理工作，在 Anthropic 自家的 Terminal-Bench 4.0 數據中，它是兩者中較強的一方，而且價格只要一半；Claude Sonnet 5.5 適合任何以吞吐量為導向的工作，因為成本差距只有在任務強制產生長輸出時才會縮小；Claude Opus 5.5 適合 FrontierCode 等級的工作、跨大型程式碼庫的長期重構，以及任何這樣的工作負載：54.4% 對 46.2% 的差距反映的是你實際問題的樣貌，而不是排行榜上的一列。

如果你的任務是開放式的，而且你無法預測輸出長度，就完全別把每 token 價格當成正確數字。在你決定採用哪種做法之前，先在你自己的流量上花一週測量每完成一項任務的 token 數；artificial-analysis 的 $7.60 對 $5.98 這項數據是個警告：便宜模型可能在你實際付費的指標上吃虧。

老實說：這已經不再是能力與成本之間的取捨。問題在於你的工作是否有界限。對於有界限、高產量、工具驅動的任務，根據現有證據，較便宜的模型同時也是較好的選擇，而旗艦模型不值得雙倍價格。對於開放式、長遠期的工作，Anthropic 自己的那句話——Opus 5.5 仍然明顯更強——才是該相信的，而再多的基準趨同目前也改變不了這一點。