Claude Sonnet 5.5 對決 Qwen3.8 Max：六週、兩種層級、一個成本定論

只要拿三個提示來算一算，還沒碰到基準測試，比較結果就大致底定了。一個簡短的客服回覆呼叫：2,000 個輸入 token、500 個輸出。在 Qwen3.8 Max 上，每百萬輸入 $2、每百萬輸出 $6，這樣是 0.4 美分；在 Claude Sonnet 5.5 上，每百萬輸入 $2、每百萬輸出 $10，則是 0.9 美分。一次儲存庫重構：輸入 400,000、輸出 30,000——43 美分對上 83 美分。一場真正會把預算花完的長時間代理式工作階段：輸入 200 萬個 token、輸出 20 萬個，所以當數字大到足以讓輸入端占據主導地位時，就是 $5.20 對上 $6.30。

起初在輸出價格上呈現 2.25 倍差距的缺口，到了代理式規模下會縮小到約 1.2 倍，而這種規模化並非什麼稀奇之事。Qwen3.8 Max 與 Claude Sonnet 5.5 都是具備高輸出上限的 1M token 模型，輸入價格皆為每百萬 $2，且兩者相隔八週內先後發布——該廠商的模型於 2026 年 8 月 3 日推出，並在 9 月 2 日進行一次標註日期的更新，Anthropic 的則於 9 月 28 日發布。兩者之間的差異不在價目表上，而在於各自為了完成任務所花費的成本。

發布了什麼，以及何時發布

Qwen3.8 Max 是阿里巴巴迄今能力最強的層級。阿里巴巴在其自家的遷移指南中，直接將其與 GPT-5.5、Claude Opus 4.7 和 Gemini 3.1 Pro 對標，並建議在任何需要最強可用推理能力的任務中使用它。它具備 100 萬個 token 的上下文視窗，接受文字、圖像和視訊輸入，並輸出文字——視訊輸入這項介面是這裡唯一 Claude Sonnet 5.5 所不具備的能力。定價為每百萬輸入 token 2 美元、每百萬輸出 token 6 美元，快取讀取為 0.25 美元，快取寫入為 2.50 美元。我們目錄中 8 月 3 日的項目之外，還加入了 9 月 2 日的更新版本，列名為 Qwen3.8 Max (0902)，它採用相同的主要費率，以及 131K 的輸出上限。

Claude Sonnet 5.5 是 Anthropic 5.5 世代中的第二個模型，於 2026 年 9 月 28 日發布，比 Claude Opus 5.5 晚六天。它是以 claude-sonnet-5-5 的形式在 Claude API 以及 Amazon Bedrock、Google Cloud 和 Microsoft Foundry 上提供，具備 100 萬 token 視窗、128K 同步輸出上限，且在 Message Batches API 上可透過 output-300k-2026-03-24 標頭延伸至 300K，並完全維持 Claude Sonnet 5 的費率：輸入 $2、輸出 $10、快取讀取 $0.20、快取寫入 $2.50。自推出起即零資料保留，退役時間不早於 2027 年 9 月 28 日。

所以，輸入費率完全相同，上下文視窗大小也一樣，而兩家供應商更是在相隔一個月內先後更新。兩者之間的所有差異，不是在帳單的輸出端，就是在基準測試裡。

基準測試：廠商資料表與獨立指數對比

這裡存在兩種證據，而它們不可互換。

Anthropic 的發布表格由供應商報告、未經任何第三方重現，且涵蓋八項評估。重要的行

• Terminal-Bench 4.0 — Claude Sonnet 5.5 達 70.6%，相較於 Claude Sonnet 5 的 10.3%

• CursorBench 4.0 — 55.5%，相較於 Claude Sonnet 5 的 34.1%

• GDPval-AA v2.1 — 1844，相較於 Claude Sonnet 5 的 1449、Claude Opus 5.5 的 1846，以及 GPT-6 Sol 的 1487

• Humanity's Last Exam，使用工具時 — 64.5% 對 54.9%；Claude Opus 5.5 則為 67.7%

• OSWorld 2.1，部分 — 80.1% 對 57.0%

• 圖表繪製，無工具 — 61.6% 對 15.6%

Alibaba 並未發布可直接對應的四欄表格，因此唯一能放在同一座標軸上的數字，只有獨立來源的數字。Artificial Analysis，v4.3.2 修訂版

• 綜合智能指數 — Claude Sonnet 5.5 56，在 216 個中排名第 3；Qwen3.8 Max 45，排名第 27

• 每個 Intelligence Index 任務的成本 — $7.60 對比 $5.41

• 輸出速度 — Anthropic 的模型對照 Claude Sonnet 5 基準，測得每秒 78.7 個 token；Qwen3.8 Max 測得 39.1

• 冗長度 — Index 上有 410M 輸出 token，相較之下為 190M

Qwen3.8 Max 自身的各項評測分數相當可觀，而非只是勉強過關：GPQA Diamond 上達 92.8%，Terminal-Bench 2.1 上達 88.8%，長上下文召回率 80.3%，tau-banking 47.8%。它在綜合評分上落居下風，因為它沒有任何項目取得決定性勝利，而較新的 Anthropic 級別則在好幾項上直接勝出。另請注意，Qwen3.8 Max 的獨立頁面載明發布日期為 2026 年 9 月 2 日，以及 984K 的上下文讀數——它描述的是 (0902) 更新版，而非 8 月版本，若將兩者的數據混為一談，會是一項錯誤。

兩欄中缺少的內容，和其中已有的內容同樣重要。沒有人獨立重現過 Anthropic 的 OSWorld 或 Terminal-Bench 數據。沒有人發表過 Qwen3.8 Max 的 Chartography 或 CursorBench 數字。綜合分數是唯一以相同方式在兩個模型上測得的數字，這正是它下方的每任務成本數字會如此舉足輕重的原因。

決定這一切的那個數字，而且它不在任何一張費率表上

Artificial Analysis 對這兩個模型的計費方式相同：執行 Index 中的十項評估，計算 token 數量，再乘以定價。Claude Sonnet 5.5 每項任務為 7.60 美元，Qwen3.8 Max 為 5.41 美元，Anthropic 模型儘管綜合分數較高，仍有 40% 的溢價。冗長度讀數說明了方向——410M tokens 對上 190M——而速度讀數則說明了其餘部分：一個輸出較少 token、且每個 token 耗時更長的模型，並不是以兩倍費率支付輸出費用的一方。

Anthropic 自家的效率主張與同一套說法相符，而非與之相互矛盾。該公司表示，Claude Sonnet 5.5 產生輸出比 Claude Sonnet 5 快 30% 以上，且在相同價格下，「每項任務的成本最多低 30%」——這是關於每項任務 token 用量的主張，而非關於費率的主張。面對一個用量不到一半 token 的模型，這項主張是否仍站得住腳，正是 7.60 美元這個數字所要追問的，而單一次獨立測試也只是一個資料點。

實際後果是：$6 對 $10 的輸出費率，是採購部門會看的數字，而它也是本文中最不具預測力的數字。真正有預測力的是在你自己的提示上，每項任務所用的詞元數，而兩家供應商都不會把這個數字交給你。

輸入、影片，以及遷移陷阱

最立即顯現的能力差異在於模態。Qwen3.8 Max 除了文字與圖像外，還接受影片；Claude Sonnet 5.5 則接受文字與圖像。對於螢幕錄影分析、會議影片處理流程，或任何把影片視為一等輸入的應用而言，這不是基準測試上的差距——而是二元式的資格問題，而這些模型中只有一個能通過。

一週後才顯現的差異是行為上的。Claude Sonnet 5.5 對在 Claude Sonnet 5 上執行的程式碼做出五項破壞性變更。非預設的 temperature、top_p或top_k現在會傳回 400。傳送 thinking: {"type": "disabled"}會傳回 400，並指向 between_tools，這是新的最低思考設定，在 low、medium 和 high effort 下接受，在 xhigh 或 max 下拒絕。強制工具使用——tool_choice為 "any"或具名工具——會直接傳回 400。較舊的 computer_20251124 電腦使用工具在 Claude API 和 Google Cloud 上會被拒絕。而且思考區塊會綁定到產生它們的模型和帳戶，因此推理可以從 Claude Sonnet 5 延續，但不能延續到另一個家族，而且經過編輯的對話前綴可能會讓重播變成錯誤。

Qwen3.8 Max 完全不需要那些。它是一個 OpenAI 格式的模型，具備傳統的請求介面，而從其他 Qwen 層級轉換到它，只是變更模型字串而已。

誠實權衡這兩項成本。選擇 Qwen 模型，代價是那十一分的綜合差距，以及你反正無法獨立驗證的 Anthropic 廠商數據。選擇 Anthropic 模型，代價是影片輸入，以及一份四項 API 變更的清單——這些變更第一次被觸發時，每一項都會以 400 大聲失敗；這是好的那種失敗，但無論如何都得花上一天工作。

OrcaRouter 適合放在哪裡

之所以要進行路由而非直接選擇，是因為關鍵數字——以你的流量計算的每項任務成本——無法從任一供應商的說明文件推算出來。

OrcaRouter 是一個單一且與 OpenAI 相容的端點，涵蓋 200 多個模型，並以供應商定價原價傳遞、不加價，因此任何一方的降價或方案層級變更，在宣布當天就會生效。兩個 Qwen3.8 Max 版本都在目錄中，價格為阿里巴巴自家的 $2 / $6 — 八月版與 (0902) 更新版 — 以及 Claude Sonnet 5，這仍是大多數 Claude API 流量所運行的模型，自 6 月 30 日起可路由，價格為 Anthropic 的 $2 / $10，實測每秒 150 個輸出 token。Claude Sonnet 5.5 本身尚未在我們的目錄中；在此情況下，取得它的誠實途徑是供應商自家的 API 以及 Anthropic 列出的三家雲端，而要在不搬移工作負載的情況下試用它，方法是將一部分流量置於自動容錯移轉之後導向 Claude Sonnet 5 或 Qwen3.8 Max。

哪一個，用於哪項工作

Qwen3.8 Max 在視訊輸入、輸出率、每項索引任務的實測成本，以及整合投入上都勝出。對於量大且規格明確的工作而言，它是正確的預設選擇，因為十二分的綜合差距並不會反映在輸出品質上。

Claude Sonnet 5.5 在獨立綜合評比中勝出，在代理式程式設計評估上也勝出——Anthropic 自家公布的數據顯示，它在 Terminal-Bench 4.0 上比自家前代躍升了 60 分；此外，它在 30 萬筆批次輸出上限上勝出，也在一個計費價目表無法做出的、貼近實際工作情境的決定上勝出：當任務難到「正確」比「便宜」更重要時，它就是該選的模型。

對兩者來說，會改變答案的是同一件事，而且不是新的基準測試發布。那是在你自己的提示詞、你自己的 effort 設定下，針對這兩個模型計算出的每項任務 token 數量。Anthropic 的 effort 參數和 Qwen 的輸出上限，都是影響那個數字的槓桿，而且兩者都是由你設定，而不是由供應商的價目表決定。

這項比較真正確定的一點是：在每百萬輸入 token 收費 2 美元的情況下，帳單的輸入端已不再是中國旗艦模型與 Anthropic 中階模型之間的差異化因素。那場競爭早在幾個月前就已轉移到輸出端和 token 數量上。