Anthropic 今天（6 月 30 日）发布了 Claude Sonnet 5，官方定位为迄今最具智能体能力的 Sonnet——能制定计划、调用浏览器和终端，以几个月前还要更大更贵模型才能达到的水平自主运行。核心卖点一句话：性能逼近 Opus 4.8，价格更低，模型 ID 是 claude-sonnet-5。
一个前提得先摆出来：发布当天能看到的跑分，几乎全部出自 Anthropic 自己的测试。系统卡写明绝大多数评估在内部完成，独立第三方的复测还没跟上。下面的数字请带着这个背景读。
性能
官方口径是：Sonnet 5 相比上一代 Sonnet 4.6，在推理、工具使用、编程、知识工作上全面提升，把 Sonnet 长期落后 Opus 的智能体差距明显收窄，但整体仍在 Opus 4.8 之下。据 TechCrunch 及多家转述，官方公布的几项数字如下（Opus 4.8 作为上限参照）：
| 基准 | Sonnet 4.6 | Sonnet 5 | Opus 4.8 |
|---|---|---|---|
| 智能体编码 SWE-bench Pro | 58.1% | 63.2% | 69.2% |
| Terminal-Bench 2.1 | 67.0% | 80.4% | 74.6% |
| 计算机使用 OSWorld-Verified | 78.5% | 81.2% | 83.4% |
| Humanity’s Last Exam（带工具） | 46.8% | 57.4% | 57.9% |
后三行据 MarkTechPost 转自官方发布材料。两个点值得单拎出来：Terminal-Bench 2.1 上 Sonnet 5 反超 Opus 4.8（80.4% vs 74.6%）；带工具的 HLE 上 57.4% 已贴到 Opus 4.8 的 57.9%。知识工作基准 GDPval-AA v2 是官方唯一明确让 Sonnet 5 略胜 Opus 4.8 的地方——MarkTechPost 记的是 1,618 对 1,615。
定价
| 模型 | 输入（/百万 token） | 输出（/百万 token） |
|---|---|---|
| Sonnet 5（8/31 前尝鲜价） | $2 | $10 |
| Sonnet 5（标准价） | $3 | $15 |
| Opus 4.8 | $5 | $25 |
“更便宜”有个技术前提。官方脚注说明，Sonnet 5 换了新 tokenizer，同样的输入会映射成更多 token，增幅约 1.0～1.35 倍，尝鲜价正是为把迁移成本压到大致持平。这层换算之前单独写过（见 posts/中英文token成本差异.md）。按标准价，Sonnet 5 比 Opus 4.8、GPT-5.5、Gemini 3.1 Pro 都便宜，但比 Gemini 3.5 Flash 贵（TechCrunch）。更完整的横向成本对比见 posts/2026-06-25-frontier-llm-speed-cost-comparison-june-2026.md。
安全
官方称 Sonnet 5 整体比 4.6 更安全：更善于拒绝恶意请求、更能抵抗提示注入劫持，幻觉率和谄媚率都更低。但在自动化行为审计里，它的失当率仍高于能力更强的 Opus 4.8 和 Claude Mythos Preview。网络能力被刻意压低——在与 Mozilla 合作、测试为 Firefox 漏洞写 exploit 的评估里，两款 Sonnet 都没能做出可用的利用程序（均 0.0%）。因为略强于前代，官方给 Sonnet 5 默认开了网络安全护栏，严格程度与 Opus 4.7/4.8 相同。
冷水：这些数字从哪来
回到开头那句。官方发布博客里，那张对比图是一张 PNG——正文没有机器可读的表格，headline 编码数字是 SWE-bench Pro 的 63.2%。要更细的数值，得靠别人把图里的数字誊出来，而誊出来的结果并不一致。
一个直接的例子是到处能看到的 “SWE-bench Verified 85.2%”。这个数不在官方发布博客的正文表里；Kingy AI 和 llm-stats 把它列出来，注明出自系统卡。麻烦在于官方发布图给的是 SWE-bench Pro（63.2%），Verified 是另一项——codersera 专门提醒别把两者搞混，因为 Verified 的分普遍更高。同一个模型，“85.2%” 和 “63.2%” 在不同文章里指着不同基准。
名字也在转录中走样。知识工作基准是 GDPval-AA v2，aimadetools 写成了 “GPQA-AAA v2”；GDPval 的分数各站也对不齐，MarkTechPost 记 1,618，llm-stats 记 1,603。更离谱的是发布前就挂出来的“评测”：有个 github.io 页面声称 Sonnet 5 在 2 月 3 日发布、SWE-bench Verified 82.1%、带一个 “Dev Team 多智能体模式”、内部代号 Fennec——全是编的，真实发布日是 6 月 30 日。
连 Anthropic 自己的图当天也改过。官方 changelog 写明，最初那版 BrowseComp 成本-性能图用了一套更简单的方法论、低估了 Sonnet 5，随后当天更新。Sonnet 4.6 的基线分也被追溯性重算——HLE 改成 34.6%/46.8%、OSWorld 改成 78.5%，这也是它们和 4.6 当初发布数字对不上的原因。基准的分母本身在动。
现在的状态因此很清楚：DataCamp 直接加了警告，说第三方给出的同名基准数字互相打架，应按“配置相关”看待；Neowin 更干脆——真实世界的独立跑分还不够，暂时只能拿官方发布博客当参照。
当前状态
Sonnet 5 即日起在所有渠道可用：Free/Pro 默认模型，Max/Team/Enterprise 可用，同时上线 Claude Code、Claude API、Amazon Bedrock 和 GitHub Copilot。尝鲜价 10 到 2026 年 8 月 31 日，之后回到 15。官方同步上调了 Chat、Cowork、Claude Code 及平台的速率限制，以匹配更高努力程度的 token 消耗。SWE-bench、Artificial Analysis、vals.ai 这些独立榜单尚未贴出自己的 Sonnet 5 成绩；在它们跑完之前，上面每一个数字的来源都只有一家。