实测对比 Claude Sonnet 5.5 与 Opus 5.5：15 次运行全对，总成本低 42%，但 Agent 场景仍输给 Opus
来源The New Stack查看原文
速览
- Sonnet 5.5 官方 Terminal-Bench 4.0 得分 70.6%，高于 Opus 5.5 的 66.4%
- Sonnet 5.5 每百万 token 价格是 Opus 5.5 的一半（2/10 美元 vs 4/20 美元）
- 实测 15 次运行 Sonnet 5.5 全对，Opus 5.5 为 13/15
- 15 次总成本 Sonnet 5.5 低 42%，计入重跑仍低约 36%
- Sonnet 5.5 总耗时快 11%，但 Agentic 单项慢约 35%
- Sonnet 5.5 单步思考更长，需把输出上限从 32,000 调高到 128,000
- Agentic 测试中 Sonnet 5.5 token 用量是 Opus 5.5 的两倍
- Artificial Analysis 结论相反：max effort 下 Sonnet 5.5 每任务更贵
- 作者建议：硬编码默认用 Sonnet 5.5，Agent 循环继续用 Opus 5.5
Anthropic 在 Opus 5.5 发布六天后推出 Sonnet 5.5，官方称其在 Terminal-Bench 4.0 上得分 70.6%，高于 Opus 5.5 在 xhigh effort 下的 66.4%，输出速度比 Sonnet 5 快 30% 以上，且每任务消耗更少 token。价格上 Sonnet 5.5 为每百万输入 token 2 美元、输出 10 美元，是 Opus 5.5（4 美元 / 20 美元）的一半。The New Stack 作者通过 Anthropic API 用相同 prompt、adaptive thinking 和最高 effort 设置，对两个模型各跑三项编码测试、每项 5 次，并用模型从未见过的隐藏测试集评分。结果显示 Sonnet 5.5 在 15 次运行中全部通过，Opus 5.5 为 13/15（两次失败均在并发 bug 测试中耗尽 128,000 输出 token 未给出答案）；15 次运行总成本 Sonnet 5.5 为 12.69 美元，Opus 5.5 为 22.07 美元，低 42%，即便计入 Sonnet 5.5 因单步 32,000 token 上限失败而重跑的 4 次，总成本 14.09 美元仍低约 36%，总耗时也快 11%。但 Sonnet 5.5 在 Agentic bug fix 测试中因单步思考过长触发上限，且 token 用量是 Opus 5.5 的两倍，该单项由 Opus 5.5 胜出。作者结论是：硬核编码任务可默认用 Sonnet 5.5 并把输出上限调高，Agent 循环仍应使用 Opus 5.5。
关键事实
- Anthropic 在 Opus 5.5 发布六天后推出 Sonnet 5.5，官方称其 Terminal-Bench 4.0 得分 70.6%，高于 Opus 5.5 在 xhigh effort 下的 66.4%。
- Sonnet 5.5 定价为每百万输入 token 2 美元、输出 10 美元，是 Opus 5.5（4 美元 / 20 美元）的一半。
- 测试通过 Anthropic API 进行，使用相同 prompt、adaptive thinking 和最高 effort 设置，每模型每项测试跑 5 次，共 15 次。
- Sonnet 5.5 在 15 次运行中全部通过隐藏测试，Opus 5.5 为 13/15，两次失败均出现在并发 bug 测试中，耗尽了全部 128,000 输出 token 而未产出答案。
- 15 次运行总成本：Sonnet 5.5 为 12.69 美元，Opus 5.5 为 22.07 美元，低 42%；计入 Sonnet 5.5 重跑的 4 次后为 14.09 美元，仍低约 36%。
- 15 次运行总耗时：Sonnet 5.5 为 2 小时 11 分 36 秒，Opus 5.5 为 2 小时 28 分 39 秒，Sonnet 5.5 快 11%。
本站视角
对国内做 Agent 和编码工具的团队来说，这篇实测的价值不在「Sonnet 5.5 更便宜」这个结论，而在于它揭示了一个容易被忽略的成本结构：每 token 单价减半，并不等于账单减半。Sonnet 5.5 在 Agentic 测试中 token 用量是 Opus 5.5 的两倍，直接把单价优势吃掉了；而在并发 bug 测试中它反而比 Opus 5.5 便宜一半以上，因为 Opus 5.5 两次耗尽 128,000 token 却没给出答案——失败运行同样要付费，这一点在官方 benchmark 里是看不到的。我们认为，这篇文章最值得国内团队注意的是「输出上限」这个参数：Sonnet 5.5 单步思考更长，默认 32,000 上限会让它在 5 次里失败 4 次，把上限调到 128,000 后才全对。这意味着很多团队如果直接沿用为 Opus 5.5 调好的参数去跑 Sonnet 5.5，很可能得到「又慢又贵还失败」的结果，然后错误地归因于模型不行。反过来，把 Sonnet 5.5 用在不需要长链工具调用的场景（如按 spec 写代码、静态修复并发问题），它确实能同时赢下准确率、速度和成本。需要观察的是：本文只有单一作者、每项测试仅 5 次运行，样本量偏小，Opus 5.5 在并发测试中 2/5 失败也可能带有随机性；而 Artificial Analysis 用不同方法得出的相反结论说明，这类对比对任务设计高度敏感。因此我们建议读者不要直接照搬「硬编码用 Sonnet、Agent 用 Opus」的结论，而是拿自己真实的失败案例和 token 账单跑一轮对照，重点看失败重试成本是否被计入。另外，Anthropic 官方给出的 70.6% vs 66.4% 是厂商自测数据，与本文的第三方实测结论方向一致但幅度不同，厂商 benchmark 与真实工作负载之间的差距仍需自行验证。
背景与影响
Anthropic 在 2026 年 10 月连续发布 Opus 5.5 与 Sonnet 5.5，两者相隔仅六天，形成同一代内高低搭配的产品线。Sonnet 系列历来定位为比 Opus 更便宜、更快的选择，但作者在文中明确表示自己过去并不喜欢 Sonnet——曾因便宜尝试，最终仍回到 Opus 5，因为输出质量不够好时便宜并不算赢。这次测试的动机正是验证 Sonnet 5.5 是否真的能替代 Opus 5.5。值得注意的是，第三方评测机构 Artificial Analysis 的独立测试与本文结论相反：在 max effort 下 Sonnet 5.5 每任务成本 7.67 美元，高于 Opus 5.5 的 5.98 美元，Intelligence Index 也略低。作者认为这一差异可能来自测试任务类型与输出上限设置的不同——本文把单步上限从 32,000 提高到 128,000 后，Sonnet 5.5 才实现 15/15 全对。这意味着模型的实际性价比高度依赖任务形态与参数配置，而非单纯的每 token 单价。对使用 Anthropic API 的团队而言，这意味着选型不能只看价目表，需要按自己的任务分布做小规模 A/B 测试；尤其是 Agent 类工作流，单步思考长度和 token 消耗会显著改变账单。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
