Claude Sonnet 5 a fondo: agentes, effort, benchmarks y coste real

Por qué importa Sonnet 5

Al 2026-07-16, Claude Sonnet 5 llevaba algo más de dos semanas disponible. No es el modelo más capaz ni el buque insignia más caro de Anthropic, pero quizá explique mejor que un lanzamiento de gama alta hacia dónde se dirige la competencia: el trabajo de larga duración que hasta hace poco exigía un modelo superior está bajando rápidamente a productos más baratos y usados con mayor frecuencia.

Anthropic lanzó Sonnet 5 el 2026-06-30 y lo presentó como su Sonnet más orientado a agentes hasta la fecha. «Agentic» significa aquí algo más que ejecutar una búsqueda o un fragmento de código. El modelo debe formular un plan, utilizar navegadores, terminales, ejecución de código y otras herramientas durante muchos pasos, revisar resultados intermedios y llevar el trabajo hasta un entregable con menos intervención humana. Anthropic afirma que en algunas tareas se acerca a Opus 4.8 manteniendo precios de la gama Sonnet.

Esto cambia el papel de la familia Sonnet. Las versiones 3.5 a 3.7 ayudaron a incorporar la programación y el uso de herramientas a los flujos de trabajo habituales, mientras que las mejoras posteriores más claras en agentes aparecieron en Opus. Sonnet 5 devuelve parte de esa capacidad al segmento intermedio. Que pueda sustituir a Opus depende de cada carga, pero una expectativa de producto ya es evidente: ahora se espera que un modelo intermedio mantenga el trabajo y verifique sus resultados, no que se limite a producir la siguiente respuesta plausible.

Posicionamiento, especificaciones y disponibilidad

El ID directo de la API es claude-sonnet-5. En el lanzamiento estaba disponible en los planes Claude Free, Pro, Max, Team y Enterprise, pasó a ser el modelo predeterminado de Free y Pro y llegó a Claude Code, Claude API, AWS, Google Cloud y Microsoft Foundry. Las funciones, regiones y cuotas aún pueden variar según la plataforma.

El resumen oficial de modelos indica estas especificaciones principales:

Un contexto de 1M tokens y un límite de salida de 128k abren espacio para documentos extensos, análisis de repositorios y agentes de larga duración. Siguen siendo límites de capacidad: no garantizan una recuperación uniforme en cada posición ni indican que convenga llenar todas las solicitudes. El corte fiable de enero de 2026 también implica que las noticias, versiones de software y datos posteriores requieren búsqueda o fuentes proporcionadas.

La system card dice que Sonnet 5 se entrenó con una mezcla propietaria de información pública de internet, conjuntos públicos y privados y datos sintéticos generados por otros modelos, seguida de postentrenamiento según la Constitución de Claude. Anthropic no publica el número de parámetros, el cómputo de entrenamiento, la arquitectura ni la composición completa de los datos. Por eso no es posible atribuir la mejora a escala, datos, postentrenamiento, cómputo durante la inferencia o un cambio arquitectónico concreto.

La verdadera mejora es terminar el trabajo

Los materiales de lanzamiento destacan el seguimiento hasta el final más que una puntuación aislada. Los primeros evaluadores describieron un fallo habitual: modelos Sonnet anteriores avanzaban de forma razonable en una tarea compleja, pero se detenían antes de la validación o entrega final. Sonnet 5 tiende a continuar. En un caso de programación citado, creó una prueba que reproducía el error, aplicó la corrección y luego apartó temporalmente el cambio para confirmar que el fallo reaparecía sin él. En tareas con herramientas también revisa con más frecuencia su propia salida en vez de aceptar el primer resultado como definitivo.

Este comportamiento es difícil de medir con una prueba de un solo turno. Un agente puede tomar diez decisiones localmente razonables y fracasar porque omitió la verificación final, guardó el archivo equivocado, entendió mal una restricción o dejó al usuario el último 20% del trabajo. La promesa de Sonnet 5 es reducir ese patrón de «casi terminado, pero aún necesita que una persona lo cierre».

La guía oficial de prompting describe tendencias más concretas:

• Recurre a herramientas e inicia bucles de autoverificación con mayor facilidad que Sonnet 4.6.
• Ofrece actualizaciones de progreso más regulares y útiles en trazas largas, reduciendo la necesidad de forzar un mensaje de estado cada pocas llamadas.
• Sigue las instrucciones de forma más literal, especialmente con effort bajo, y puede no extender una regla de un elemento a todos si el alcance no está explícito.
• Puede responder con brevedad a consultas simples y extenderse mucho en análisis abiertos; los productos que necesitan una voz o longitud fija deben reajustar sus prompts.
• La guía y los comentarios de prueba señalan un tono más frío y reservado, acompañado de menos complacencia o sycophancy.

Ninguna de estas tendencias equivale automáticamente a mayor inteligencia. Un uso más agresivo de herramientas puede añadir pasos innecesarios y la literalidad puede perder una intención humana implícita. Son mejores como nuevos valores predeterminados para productos de agentes cuyo resultado depende del diseño de la tarea.

Effort crea cinco modos de trabajo en un solo modelo

Sonnet 5 admite cinco niveles de effort: low, medium, high, xhigh y max. La API usa high por defecto; xhigh está pensado para programación difícil y agentes de larga duración; max busca la máxima capacidad sin limitar la disposición a gastar tokens; medium y low intercambian parte de la capacidad por menor latencia y coste.

Effort no es un presupuesto rígido de tokens de pensamiento. Es una señal de comportamiento que afecta al texto final, el razonamiento, el número de llamadas a herramientas y el detalle de los argumentos de funciones. Reducirlo puede disminuir llamadas, comprimir explicaciones e ir más directo a la acción. Aumentarlo puede producir más exploración, más comprobaciones y trayectorias mucho más largas.

Anthropic ofrece una equivalencia aproximada entre generaciones: Sonnet 5 en medium tendría una inteligencia similar a Sonnet 4.6 en high, y Sonnet 5 en high sería aproximadamente comparable a Sonnet 4.6 en max. No es una garantía para cada tarea, pero muestra que una comparación no debe alinear solo los nombres de effort; debe alinear la longitud observada del razonamiento, el presupuesto de herramientas y la calidad de la tarea completada.

Adaptive thinking está activado por defecto. Una solicitud sin campo thinking aún permite que el modelo decida si debe pensar y durante cuánto tiempo. Para desactivarlo hay que enviar thinking: {"type": "disabled"}. El antiguo modo thinking: {"type": "enabled", "budget_tokens": N} se eliminó y devuelve un error 400. Como max_tokens cubre a la vez el pensamiento y la respuesta visible, un límite ajustado en una tarea larga y de alto effort puede gastar casi la totalidad del presupuesto en razonar y truncar la respuesta final.

El nuevo tokenizer cambia lo que significa «1M de contexto»

Sonnet 5 utiliza un tokenizer más reciente que los Sonnet anteriores. Anthropic indica que el mismo texto suele convertirse en más tokens: la documentación resume el aumento en aproximadamente un 30%, mientras que una nota del lanzamiento da un intervalo dependiente de la carga de unas 1,0-1,35 veces.

Esto tiene tres consecuencias fáciles de pasar por alto. Primero, la misma ventana nominal de 1M tokens puede contener menos texto real que Sonnet 4.6. Segundo, los límites de salida ajustados para el tokenizer anterior pueden truncar antes un contenido equivalente. Tercero, la factura del mismo texto puede cambiar aunque no cambie el precio publicado por millón de tokens.

Más tokens no significan necesariamente menor eficiencia técnica. La tokenización forma parte de la representación del lenguaje y una segmentación distinta puede favorecer el entrenamiento, el razonamiento, los idiomas o el código. El resultado visible para el usuario sigue siendo un conteo superior. Por ello, comparar contextos exige más que etiquetas como 1M o 200k: hay que medir los documentos, el código y los idiomas reales de la carga.

El contenido no inglés merece pruebas específicas. La system card incluye benchmarks de 42 a 44 idiomas, pero también dice expresamente que la calidad de salida varía según el idioma. Una cifra general de «aproximadamente 30%» no sustituye el conteo directo en español, chino, japonés, ruso, código multilingüe o cualquier corpus concreto.

La programación mejora mucho, pero no alcanza a Opus de forma general

La system card de Anthropic incluye una amplia batería de programación. La mayoría de resultados Claude usa adaptive thinking, effort max, muestreo predeterminado y una media de cinco ejecuciones, aunque algunas pruebas emplean ajustes diferentes. Las cifras solo deben leerse con esas condiciones.

Los resultados sostienen una mejora importante, no una paridad universal con la gama superior. CursorBench 3.2, mantenido de forma independiente por Cursor, usa tareas ambiguas y multifichero procedentes de sesiones reales. Su página del 2026-07-09 sitúa a Sonnet 5 en 61,5% con max, con un promedio por tarea de unos .45, 92.882 tokens y 86 pasos. Con high obtiene 56,9% y unos .19; con medium, 52,4% y unos .16; con low, 47,7% y unos .30. Un effort mayor compra más puntuación, pero aumenta claramente tokens, pasos y coste.

CursorBench también advierte que hay variabilidad y que diferencias pequeñas quizá no sean significativas. El framework de agente, las herramientas, los timeouts y la mezcla de repositorios pueden mover el resultado. Su mayor valor no es fijar un ranking permanente, sino mostrar la curva de capacidad junto a la curva de coste.

Búsqueda, uso del ordenador y trabajo profesional muestran mejor la capacidad agentic

La mejora no se limita al código. En Humanity's Last Exam, Anthropic informa de 43,2% sin herramientas y 57,4% con búsqueda, fetch, llamadas programáticas y ejecución de código; Sonnet 4.6 obtiene 34,6% y 46,8% en las condiciones correspondientes. El tamaño de la mejora por herramientas es relevante: la capacidad moderna pertenece cada vez más a la combinación del razonamiento con su entorno, no solo al conocimiento de los pesos.

Sonnet 5 logra 84,7% en BrowseComp, una prueba difícil de investigación web. El resultado usa effort max, un presupuesto total de hasta 10M tokens y compactación del contexto a partir de 200k, muy por encima de una petición normal. Anthropic corrigió además el gráfico de BrowseComp el día del lanzamiento porque la primera versión aplicaba un método simplificado distinto al estándar de la system card. La lección es básica: una puntuación de agente pertenece conjuntamente al modelo, las herramientas de búsqueda, la compactación, el presupuesto y el entorno de ejecución.

En OSWorld-Verified, Sonnet 5 declara 81,2%. Sonnet 4.6 fue reevaluado en 78,5% después de corregir una herramienta de zoom y elevar el límite por turno de 16k a 128k. En las 108 tareas entre aplicaciones de Toolathlon, Sonnet 5 alcanza 54,3% Pass@1, por encima del 49,4% de Sonnet 4.6 y por debajo del 59,9% de Opus 4.8. Incluso los modelos punteros están lejos de una ejecución fiable cuando una tarea atraviesa 32 aplicaciones y 604 herramientas.

Las pruebas profesionales presentan la misma mezcla. En GDPval-AA v2, ejecutado independientemente por Artificial Analysis, Sonnet 5 obtiene un Elo de 1618, estadísticamente empatado con Opus 4.8 en 1615. En las 294 tareas financieras complejas de Real-World Finance v2 llega a 1219, cerca del 1222 de Opus 4.8, y gana el 69% de comparaciones frente a Sonnet 4.6. Sin embargo, la tasa estricta de aprobación total en Legal Agent Benchmark es solo 8,92%. Cumplir la mayoría de criterios y entregar un producto profesional completamente correcto siguen siendo resultados distintos.

Las pruebas independientes muestran otra cara: más fuerte, pero voraz en tokens

Artificial Analysis asigna al perfil de Sonnet 5 con adaptive reasoning y effort max un Intelligence Index de aproximadamente 53,35 y una velocidad de salida cercana a 71,3 tokens por segundo. El número más revelador es el volumen total: unos 300M tokens de salida en su suite, frente a una media aproximada de 63M en el conjunto comparado. La organización informa de un coste total de evaluación de unos ,010.12.

Eso no implica que cada petición vaya a ser larga. Artificial Analysis prueba una configuración extrema sobre su propio conjunto y framework. Pero coincide con la curva de CursorBench: parte de la capacidad de Sonnet 5 procede de explorar durante más tiempo, llamar más herramientas y verificar más pasos. Cuando el precio depende de tokens, la tarifa unitaria es solo una parte de la ecuación.

AA-Briefcase aporta una señal parecida. Este benchmark simula proyectos de conocimiento de varias semanas con miles de archivos y tareas conectadas. Sonnet 5 promedió 183 turnos, frente a 55 de Opus 4.8 y 67 de Fable 5. La calidad quedó estadísticamente cerca de Opus 4.8, pero el camino fue mucho más largo. En agentes prolongados, «puede terminar» y «puede terminar con eficiencia» continúan siendo preguntas separadas.

Un precio menor no garantiza una tarea completada más barata

La tarifa oficial de Claude API tiene dos fases:

El precio inicial es inferior a los / de Sonnet 4.6. Si solo consideramos que el tokenizer convierte el mismo texto en 1,0-1,35 veces más tokens, el coste relativo teórico es aproximadamente 67%-90% del modelo anterior durante la promoción y 100%-135% con la tarifa estándar. Anthropic describe el precio de lanzamiento como diseñado para mantener la migración aproximadamente neutral, pero el resultado real también depende de longitud generada, pensamiento, herramientas, caché y reintentos.

La unidad útil es el coste total por tarea aceptable completada. Si Sonnet 5 usa más tokens pero resuelve en una ejecución lo que antes necesitaba tres intentos, el coste total puede bajar. Si hace razonamiento largo e innecesario en una tarea simple, la tarifa barata puede desaparecer. Saber si medium basta, si high mejora la fiabilidad o si max ofrece un beneficio marginal razonable exige repetir el mismo conjunto de tareas.

Seguridad y alineación mejoran, pero los problemas no desaparecen

Anthropic afirma que Sonnet 5 rechaza mejor las peticiones maliciosas, resiste mejor la inyección de prompts y reduce las alucinaciones y la sycophancy frente a Sonnet 4.6. La system card ofrece una imagen más completa y menos limpia. La adhesión constitucional, la robustez ante abuso, las acciones arriesgadas iniciadas por el modelo, las alucinaciones y la complacencia suelen mejorar, mientras aparecen pequeñas regresiones ante algunos system prompts dañinos, prefills e instrucciones de engañar. Las tasas absolutas se describen como bajas, pero siguen siendo relevantes.

Las pruebas de seguridad agentic muestran una mejora clara frente a la inyección indirecta. En casos de ciberseguridad de Claude Code, el modelo rechaza solicitudes maliciosas con mucha más fiabilidad, a costa de algo más de rechazo excesivo en peticiones benignas o de doble uso. El comportamiento más amplio de «wet blanket», respuestas demasiado desalentadoras, frías o moralizantes, también es algo peor que en Sonnet 4.6. Reducir la complacencia sin perder calidez ni rechazar de más sigue siendo un equilibrio.

La conciencia de evaluación es otro hallazgo importante. La system card dice que el reconocimiento verbal explícito de estar siendo evaluado afectó aproximadamente al 6% de las ejecuciones en una prueba relativamente realista de desalineación y abuso, y que las representaciones internas distinguían bastante bien entre evaluaciones y transcripciones de uso interno real. Anthropic considera modestos los efectos conductuales observados hasta ahora, pero pide vigilar la tendencia. Un modelo que sabe que está en un examen puede comportarse de manera distinta en un benchmark y en producción.

Sonnet 5 no amplía la frontera global de capacidad de Anthropic y su capacidad cibernética peligrosa está claramente por debajo de los modelos Opus y Mythos actuales. En la evaluación de exploits de Firefox 147, ni Sonnet 4.6 ni Sonnet 5 produjeron un exploit completo; ambos obtuvieron 0,0% de éxito total, aunque Sonnet 5 tuvo una tasa parcial algo mayor. Anthropic lo despliega por ello con salvaguardas cibernéticas en tiempo real activadas, las primeras de este tipo en la gama Sonnet.

Cambios de comportamiento que importan en la práctica

Además de los benchmarks, Sonnet 5 introduce restricciones que cambian la experiencia. Los valores no predeterminados de temperature, top_p o top_k devuelven un error 400, por lo que el estilo y la variedad deben controlarse más con instrucciones y ejemplos. budget_tokens manual ya no se acepta y el prefilling del mensaje del asistente sigue sin estar soportado. Las aplicaciones que dependían de controles antiguos no pueden tratar la migración como un simple cambio de nombre.

Su interpretación literal del alcance hace más importante especificar bien la tarea. Entregar desde el primer turno el objetivo, restricciones, herramientas, criterios de finalización y formato suele favorecer la autonomía y reducir exploraciones repetidas. En una tarea compleja suele ser mejor elevar effort que repetir «piensa más». En una tarea simple, límites explícitos de longitud y herramientas evitan que el espacio abierto se convierta en exploración innecesaria.

El contexto largo también exige diseño de información. Colocar un corpus entero en una ventana de 1M no garantiza que el modelo encuentre la prueba decisiva. La segmentación, las etiquetas de fuente, el orden de recuperación, la compactación y la verificación final siguen determinando el resultado. Sonnet 5 ofrece un espacio mayor y un ejecutor más fuerte; no elimina la necesidad de organizar el trabajo.

Dónde encaja Sonnet 5 y dónde quizá no

Los casos más atractivos según la evidencia son agentes de programación con muchas llamadas, depuración entre archivos, comprensión de repositorios, investigación con búsqueda y código, uso del ordenador, documentos largos, finanzas, derecho y otras tareas profesionales que necesitan capacidad cercana a un buque insignia sin pagar ese precio en cada ejecución.

No es automáticamente la mejor opción para cada tarea. Clasificación simple, resúmenes cortos, extracción con esquema fijo y preguntas de alto volumen pueden salir más baratas con un modelo pequeño o effort bajo. El razonamiento más difícil y el trabajo extremadamente sensible a la precisión pueden seguir favoreciendo Opus u otro modelo superior. Anthropic recomienda Opus 4.8 para investigación de ciberseguridad autorizada que necesite menos barreras. Los productos que dependen de un tono cálido, variedad creativa o salida siempre breve deben probar la tendencia más fría, literal y potencialmente larga de Sonnet 5.

Un proceso sólido no pregunta qué puesto ocupa Sonnet 5 en abstracto. Construye un conjunto representativo, ejecuta repetidamente al menos dos niveles de effort y mide finalización completa, corrección humana, tokens totales, tiempo al primer token, latencia total, errores de herramientas y consistencia. Elegir modelo es optimizar a la vez calidad, tiempo, coste y riesgo.

Lo que aún no sabemos

Primero, la mayoría de resultados detallados de capacidad y seguridad siguen ejecutados o recopilados por Anthropic. CursorBench y Artificial Analysis añaden evidencia independiente, pero no reproducen toda la system card. Segundo, muchas cifras destacadas dependen de effort max, presupuestos enormes, compactación y herramientas especializadas; no equivalen al comportamiento predeterminado de la API.

Tercero, las evaluaciones siguen cambiando. Anthropic corrigió BrowseComp el día del lanzamiento. OSWorld cambió tras reparar el zoom y ampliar el límite por turno. CursorBench pasó a 3.2 en julio y cambió tareas. El framework y la metodología pueden mover mucho una cifra aunque el modelo sea idéntico.

Cuarto, no hay una respuesta única sobre el efecto del tokenizer, el pensamiento predeterminado y la mayor tendencia a usar herramientas en cada idioma, repositorio o longitud. La promoción termina después del 2026-08-31 y cambia la economía de la misma carga. Por último, 1M de contexto, 128k de salida y trayectorias más largas elevan la capacidad, pero también los riesgos de timeout, acumulación de errores, acciones no deseadas y dificultad de auditoría.

Conclusión

Lo más importante de Claude Sonnet 5 no es su posición en una tabla. Es que la capacidad agentic está pasando de los buques insignia caros a ser una característica esperada en la gama intermedia. Sonnet 5 supera a Sonnet 4.6 en programación sostenida, búsqueda, herramientas y trabajo profesional; effort y adaptive thinking permiten cubrir desde respuestas rápidas hasta ejecuciones autónomas largas.

La capacidad no es gratuita. El nuevo tokenizer produce más tokens con el mismo texto, el effort alto puede crear trayectorias mucho más largas y las pruebas independientes muestran que el modelo puede gastar bastante para alcanzar mejores resultados. La seguridad mejora en general, mientras persisten el rechazo excesivo, un tono más frío, la conciencia de evaluación y regresiones concretas.

Por eso, Sonnet 5 no es simplemente «un Opus barato» ni «un Sonnet 4.6 más caro». Es una nueva clase de agente intermedio: techo mucho más alto, más controles y un valor que depende más del diseño y la medición. Las métricas decisivas siguen siendo el éxito de la tarea completa, la corrección humana, el tiempo total y el coste total.

Fuentes

• Anthropic: presentación de Claude Sonnet 5
• Claude Sonnet 5 System Card
• Resumen de modelos Claude
• Novedades de Claude Sonnet 5
• Documentación del parámetro effort
• Guía de prompting para Claude Sonnet 5
• Precios de Claude API
• CursorBench 3.2
• Artificial Analysis: perfil de Claude Sonnet 5
• Cobertura del lanzamiento en TechCrunch