Claude Sonnet 5实测：成本降至原来的三成

 

 

把 Sonnet 5 摆上秤：一笔 Agent 账

 

Anthropic 最新推出的 Claude Sonnet 5，官方的说法是史上最会当 Agent 的一代 Sonnet：能自己列计划、会调用浏览器和终端这类工具，价格却贴近部分 Opus 级 Agent 的表现。和 Sonnet 4.6 比，官方强调它在推理、工具使用、编码和知识工作上都有明显长进。

 

先交代测试口径：本轮跑的是 Sonnet 5 的思考（高投入）配置，即 claude-sonnet-5-thinking，重点考察中文场景下的综合能力，题目覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent 工具调用和 coding 八个板块。官方主推的长程 Agent、代码协作、电脑操作和安全表现，建议结合文末官方评测一起看。

 

这版思考配置的实测盘面：

 

- 题量约 1.5 万 - 综合准确率 70.8% - 单次调用平均耗时 20 秒 - 单次调用平均 token 1590 - 每千次调用花费约 93.7 元

 

先看官方基准

 

Anthropic 在官方博客里把 Sonnet 5 拉来和 Sonnet 4.6、Opus 4.8 同台比过：

 

 

- SWE-bench Pro：本代 63.2%，高于 Sonnet 4.6 的 58.1%，但低于 Opus 4.8 的 69.2%。 - Terminal-Bench 2.1：达到 80.4%，明显甩开 Sonnet 4.6 的 67.0%，逼近 Opus 4.8 的 82.7%。 - Humanity's Last Exam：无工具时 43.2%（4.6 为 34.6%，Opus 4.8 为 49.8%）；带工具时 57.4%，贴近 Opus 4.8 的 57.9%，高于 4.6 的 46.8%。 - OSWorld-Verified：81.2%，高于 4.6 的 78.5%，接近 Opus 4.8 的 83.4%。 - GDPval-AA v2：得分 1618，高于 4.6 的 1395，也略高于 Opus 4.8 的 1615。

 

Anthropic 还画了 Sonnet 5、Sonnet 4.6、Opus 4.8 在不同 effort 档位下的成本曲线：结论是 Sonnet 5 比 4.6 铺开了更宽的成本-性能区间，中等 effort 下性价比提升明显，更高 effort 时部分任务能贴住 Opus 4.8。

 

 

安全一项，官方称 Sonnet 5 整体比 4.6 更稳：Agent 场景里更会拒掉恶意请求、也更能顶住 prompt injection，幻觉和迎合倾向更低，自动化审计里的不良行为率也更低。不过官方也坦承，它在那项审计里的不良行为率仍高于 Opus 4.8 和 Claude Mythos Preview。

 

 

 

网络安全方面，Anthropic 明确表示 Sonnet 5 并没有被专门训练去做网络安全任务。它能应付一些常规、无害的网络活儿，但在危险能力评估里明显弱于 Opus 4.8 和 Mythos 5；官方举例，Firefox 漏洞利用评估中 Sonnet 5 的完整成功率为 0.0%，部分成功率只是略高于 4.6。鉴于它比前代在这类任务上稍强，Anthropic 已默认打开网络安全防护。

 

横向放到大模型盘子里

 

把 claude-sonnet-5-thinking 放进当前主流格局，从几个角度拉一拉：

 

 

*数据来源：非线智能 ReLE 评测*

 

- 和 Opus 及头部闭源比：对照 claude-opus-4.8-thinking（74.7%，19 秒，238.2 元），Sonnet 5 Thinking 低 3.9 个百分点、耗时接近、但花费低约 61%；对照 gpt-5.5（75.3%，15 秒，158.5 元）和 gemini-3.5-flash（73.9%，13 秒，151.2 元），总分差得更明显，不过单次花费也更便宜。 - 同价位段：claude-sonnet-5-thinking（70.8%，93.7 元）落在 90 至 110 元/千次一带，同区间还有 qwen3.7-max（76.9%，99 元）、kimi-k2.6（72.9%，100.4 元）、claude-opus-4.8（71.5%，99.4 元）、gpt-5.2-high（67.3%，94.1 元）和 ERNIE-5.0（67.2%，89.2 元）。只看中文综合准确率，它并不领先，明显低于 qwen3.7-max，也低于 kimi-k2.6 和 Opus 4.8 的非思考模式。 - 速度是个亮点：平均 20 秒，比 qwen3.7-max（51 秒）、kimi-k2.6（175 秒）、gpt-5.2-high（36 秒）都快，只是慢于 claude-opus-4.8 非思考（9 秒）和 gpt-5.5（15 秒）。 - 往下看低价替代：qwen3.5-plus（73.3%，22.9 元）、qwen3.7-plus（73.5%，31.7 元）、kimi-k2.7-code（72.6%，49.7 元）、deepseek-v4-pro（71.7%，54.3 元）都用更低成本拿到更高中文综合准确率。

 

在 Anthropic 自家序列里，Sonnet 5 Thinking（70.8%，第 23 位）低于 Opus 4.8 非思考（71.5%，第 18 位）、高于 Opus 4.6（70.0%，第 28 位）；而 Opus 4.8 Thinking 仍以 74.7%（第 7 位）坐顶。相比 Sonnet 4.5 Thinking（66.2%，第 49 位）和 Opus 4.5（64.2%，第 62 位），它的位置明显上移。它更像是 Anthropic 在中高成本区间补的一块 Agent 型拼图，而非用来顶掉 Opus 线的最高能力。

 

放到近期新模型里，它低于 qwen3.7-max、doubao-seed-2-1-pro-260628、gpt-5.5、claude-opus-4.8-thinking、gemini-3.5-flash、glm-5.2、kimi-k2.6 等，但与 Kimi-K2.5-Thinking（70.8%）基本持平，并略高于 qwen3.6-plus（70.7%）、GLM-5.1（70.7%）和 Qwen3.5-27B（70.6%）。

 

开源对闭源这边：闭源阵营里它高于 Doubao-Seed-2.0-lite（70.5%）、claude-opus-4.6（70.0%）、GLM-5-Turbo（69.3%）等，但低于 qwen3.7-max、gpt-5.5、gemini-3.1-pro-preview、claude-opus-4.8-thinking、gemini-3.5-flash、claude-opus-4.8 这些头部闭源。开源阵营选择更密：qwen3.5-plus（73.3%，22.9 元）、kimi-k2.6（72.9%，100.4 元）、glm-5.2（73.0%，110.5 元）、deepseek-v4-pro（71.7%，54.3 元）、Qwen3.5-122B-A10B（70.9%，32.3 元）已在 70% 到 73% 区间扎堆。真正形成成本压力的是 qwen3.5-plus、deepseek-v4-pro 和 Qwen3.5-122B-A10B，它们以明显更低成本拿到更高或接近的总分；kimi-k2.6 与 glm-5.2 的意义更多在于说明，同一分数段内开源模型已经很丰富了。

 

和上一代比，账怎么变

 

把 claude-sonnet-5-thinking 与 claude-sonnet-4.5-thinking 对照，变化很直接：总分涨、速度提、成本降，增量集中在 coding、Agent 工具调用和推理数学，部分中文垂类反而回调。

 

 

 

*数据来源：非线智能 ReLE 评测*

 

*输出价格单位：元/百万 token*

 

- 总分从第 49 位升到第 23 位，准确率 66.2% 涨到 70.8%（+4.6 个百分点）。 - coding 是最大的一块：52.1% 冲到 70.0%（+17.9 个百分点），和官方面向编码与 Agent 工作流的定位严丝合缝。 - Agent 工具调用从 58.4% 到 66.5%（+8.1 个百分点），工具选择、任务拆解、执行链路都更适合塞进 Agent 系统。 - 推理与数学从 78.0% 到 82.4%（+4.4 个百分点），多步推演和复杂题拆解确有进步，只是增量不如 coding 和 Agent 醒目。 - 中文垂类做了取舍：医疗与心理健康 79.1% 降到 76.6%（-2.5），语言与指令 64.2% 降到 62.4%（-1.8），法律与行政 81.0% 降到 79.3%（-1.7），金融 78.0% 降到 76.5%（-1.5），教育 54.9% 降到 54.7%（-0.2）。也就是说，Sonnet 5 Thinking 不是在所有中文任务上同步变强，而是把重心更明显地压向代码、工具和推理。

 

成本与速度这一项改善很猛：平均耗时 39 秒压到 20 秒（少 19 秒），平均 token 3070 降到 1590（约 -48%），输出价格 108.75 降到 70.0 元/百万 token。折算下来每千次调用花费从 305.1 元掉到 93.7 元，差不多是上一代的三成。

 

Sonnet 线自身的成本效率变化最醒目：claude-sonnet-5-thinking（70.8%，93.7 元）对比 claude-sonnet-4.5-thinking（66.2%，305.1 元），提 4.6 个百分点、花费降到约三成。这说明 Sonnet 5 不只是能力补强，也把 Anthropic 产品线里思考档的使用成本拉了下来。

 

上面这些评测视角，也是大家在挑模型时容易忽略的成本账。如果你想把这类 AI 工具和数字化能力真正用进自己的业务，可以咨询云巴巴。云巴巴是国内领先的企业数智服务平台，覆盖 AI 大模型、智能体、协同办公、营销获客、安全合规等多个领域的企业级产品与方案，能按你的行业、规模和预算比对选型、匹配资源、协助落地。欢迎咨询云巴巴，获取更多产品方案与专属服务。