Claude Sonnet 5 en profondeur : agents, effort, benchmarks et coût réel

Pourquoi Sonnet 5 mérite l'attention

Au 2026-07-16, Claude Sonnet 5 était disponible depuis un peu plus de deux semaines. Ce n'est ni le modèle le plus puissant ni le produit phare le plus cher d'Anthropic, mais il révèle peut-être mieux qu'un lancement haut de gamme la direction actuelle du marché : les tâches longues qui exigeaient récemment un modèle de pointe descendent rapidement vers des produits moins coûteux et utilisés à plus grande échelle.

Anthropic a lancé Sonnet 5 le 2026-06-30 en le présentant comme son Sonnet le plus agentique à ce jour. Ici, « agentique » signifie davantage que lancer une recherche ou exécuter un fragment de code. Le modèle doit établir un plan, utiliser pendant de nombreuses étapes un navigateur, un terminal, l'exécution de code et d'autres outils, contrôler les résultats intermédiaires et avancer jusqu'à un livrable avec moins d'intervention humaine. Anthropic affirme qu'il se rapproche d'Opus 4.8 sur certaines tâches tout en restant dans la gamme tarifaire Sonnet.

Cela modifie le rôle de la famille Sonnet. Les versions 3.5 à 3.7 ont contribué à généraliser le codage et l'usage d'outils, tandis que les progrès ultérieurs les plus nets en matière d'agents sont apparus dans Opus. Sonnet 5 ramène une partie de cette capacité dans le milieu de gamme. Son aptitude à remplacer Opus dépendra de chaque charge, mais une attente produit est déjà claire : on demande désormais à un modèle intermédiaire de poursuivre un travail et de vérifier ses résultats, pas seulement de produire une réponse plausible.

Positionnement, caractéristiques et disponibilité

L'identifiant API direct est claude-sonnet-5. Au lancement, le modèle était disponible dans les offres Claude Free, Pro, Max, Team et Enterprise, devenait le choix par défaut pour Free et Pro et arrivait dans Claude Code, l'API Claude, AWS, Google Cloud et Microsoft Foundry. Les fonctions, régions et quotas peuvent encore varier selon la plateforme.

La présentation officielle des modèles indique les caractéristiques principales suivantes :

Une fenêtre de 1M jetons et une sortie maximale de 128k offrent de l'espace pour de longs documents, l'analyse de dépôts et les agents de longue durée. Ce sont toutefois des plafonds de capacité, pas la garantie d'une récupération uniforme à chaque position, ni une invitation à remplir chaque requête. La coupure fiable de janvier 2026 signifie aussi que les actualités, versions logicielles et données postérieures nécessitent une recherche ou des sources fournies.

La system card indique que Sonnet 5 a été entraîné sur un mélange propriétaire d'informations publiques d'internet, de jeux de données publics et privés et de données synthétiques produites par d'autres modèles, puis post-entraîné selon la Constitution de Claude. Anthropic ne publie ni le nombre de paramètres, ni le calcul d'entraînement, ni l'architecture, ni la composition complète des données. Les éléments disponibles ne permettent donc pas d'attribuer les gains à l'échelle, aux données, au post-entraînement, au calcul d'inférence ou à un changement architectural précis.

Le véritable progrès est d'aller jusqu'au bout

Les documents de lancement insistent davantage sur la capacité à mener une tâche à terme que sur un score isolé. Les premiers testeurs ont décrit une faiblesse courante : les anciens Sonnet avançaient raisonnablement sur une tâche complexe, puis s'arrêtaient avant la validation ou la livraison finale. Sonnet 5 tend à continuer. Dans un cas de codage rapporté, il a écrit un test reproduisant le défaut, appliqué le correctif, puis mis temporairement la modification de côté afin de confirmer le retour du bug sans elle. Dans les travaux avec outils, il contrôle aussi plus souvent sa propre sortie au lieu d'accepter le premier résultat.

Ce comportement est difficile à mesurer avec un benchmark en un seul tour. Un agent peut prendre dix décisions localement cohérentes et échouer parce qu'il a oublié la vérification finale, enregistré le mauvais fichier, mal compris une contrainte ou laissé à l'utilisateur les 20% restants. La promesse de Sonnet 5 est de réduire ce schéma « presque terminé, mais une personne doit encore finir ».

Le guide officiel de prompting décrit des tendances plus concrètes :

• Il recourt plus volontiers aux outils et aux boucles d'auto-vérification que Sonnet 4.6.
• Il fournit des points d'avancement plus réguliers et de meilleure qualité pendant les longues trajectoires, ce qui réduit le besoin d'imposer un message d'état toutes les quelques actions.
• Il suit les instructions de façon plus littérale, surtout à faible effort, et peut ne pas étendre une règle d'un élément à tous les autres si la portée n'est pas explicite.
• Il peut répondre brièvement à une question simple et développer fortement une analyse ouverte ; les produits qui exigent une voix ou une longueur fixes doivent revoir leurs prompts.
• Le guide et les retours pilotes signalent un ton plus froid et réservé, associé à moins de complaisance ou de sycophancy.

Aucune de ces tendances ne vaut automatiquement gain d'intelligence. Un usage plus agressif des outils peut ajouter des étapes inutiles, et une lecture littérale peut manquer une intention humaine implicite. Il s'agit plutôt de nouveaux comportements par défaut pour des produits agentiques dont la valeur dépend de la conception de la tâche.

Effort crée cinq modes de fonctionnement dans un même modèle

Sonnet 5 accepte cinq niveaux d'effort : low, medium, high, xhigh et max. L'API utilise high par défaut ; xhigh vise le codage le plus difficile et les agents de longue durée ; max recherche la capacité absolue sans limiter la propension à dépenser des jetons ; medium et low échangent une partie de la qualité contre moins de latence et de coût.

Effort n'est pas un budget rigide de jetons de réflexion. C'est un signal comportemental qui agit sur le texte final, le raisonnement, le nombre d'appels d'outils et le détail des arguments de fonctions. Le réduire peut limiter les appels, condenser les explications et aller plus directement à l'action. L'augmenter peut produire davantage d'exploration, de contrôles et des trajectoires beaucoup plus longues.

Anthropic propose une correspondance approximative entre générations : Sonnet 5 en medium serait comparable en intelligence à Sonnet 4.6 en high, tandis que Sonnet 5 en high serait proche de Sonnet 4.6 en max. Ce n'est pas une garantie pour chaque tâche, mais cela montre qu'une comparaison ne doit pas seulement aligner les noms des niveaux. Elle doit aligner la longueur de réflexion observée, le budget d'outils et la qualité de la tâche terminée.

Adaptive thinking est activé par défaut. Même sans champ thinking, le modèle décide s'il doit réfléchir et pendant combien de temps. Pour le désactiver, il faut envoyer thinking: {"type": "disabled"}. L'ancien mode thinking: {"type": "enabled", "budget_tokens": N} a été supprimé et renvoie une erreur 400. Comme max_tokens couvre à la fois la réflexion et la réponse visible, une limite serrée sur une longue tâche à effort élevé peut consacrer l'essentiel du budget au raisonnement puis tronquer la réponse finale.

Le nouveau tokenizer change le sens de « contexte 1M »

Sonnet 5 utilise un tokenizer plus récent que les précédents Sonnet. Anthropic indique qu'un même texte correspond généralement à davantage de jetons : la documentation résume l'augmentation à environ 30%, tandis qu'une note de lancement donne une plage d'environ 1,0 à 1,35 fois selon le contenu.

Trois conséquences sont faciles à manquer. Premièrement, une fenêtre nominale de 1M jetons peut contenir moins de texte réel que celle de Sonnet 4.6. Deuxièmement, des limites de sortie réglées pour l'ancien tokenizer peuvent tronquer plus tôt un contenu équivalent. Troisièmement, le coût du même texte peut changer même si le tarif par million reste identique.

Davantage de jetons ne signifie pas forcément une moindre efficacité technique. La tokenisation fait partie de la représentation du langage et une segmentation différente peut favoriser l'entraînement, le raisonnement, le multilingue ou le code. Pour l'utilisateur, le compteur reste plus élevé. Comparer les contextes demande donc plus que des étiquettes comme 1M ou 200k : il faut mesurer les documents, le code et les langues réellement utilisés.

Les contenus non anglophones méritent des tests spécifiques. La system card présente des évaluations couvrant 42 à 44 langues, tout en précisant que la qualité de sortie varie selon la langue. Une estimation générale d'« environ 30% » ne remplace pas un comptage direct sur du français, du chinois, du japonais, du russe, du code multilingue ou tout autre corpus.

Le codage progresse fortement, sans égaler Opus partout

La system card d'Anthropic rassemble une large batterie de codage. La plupart des résultats Claude utilisent adaptive thinking, l'effort max, l'échantillonnage par défaut et une moyenne de cinq essais, mais certaines évaluations ont d'autres réglages. Les chiffres ne valent qu'avec ces conditions.

Ces résultats soutiennent une forte amélioration, pas une parité universelle avec le haut de gamme. CursorBench 3.2, maintenu indépendamment par Cursor, utilise des tâches ambiguës et multifichiers tirées de sessions réelles. Sa page du 2026-07-09 place Sonnet 5 à 61,5% en max, pour environ 6,45 $, 92 882 jetons et 86 étapes par tâche. En high, il atteint 56,9% pour environ 3,19 $ ; en medium, 52,4% pour 2,16 $ ; en low, 47,7% pour 1,30 $. Un effort supérieur achète un meilleur score, mais augmente nettement les jetons, les étapes et le coût.

CursorBench prévient aussi que les résultats varient et que de petits écarts peuvent ne pas être significatifs. Le framework agentique, les outils, les délais et la sélection de dépôts peuvent modifier le résultat. Son apport principal n'est pas un classement définitif, mais la mise en regard d'une courbe de capacité et d'une courbe de coût.

Recherche, usage de l'ordinateur et travail professionnel révèlent mieux l'agent

Les gains dépassent le code. Sur Humanity's Last Exam, Anthropic rapporte 43,2% sans outils et 57,4% avec recherche, récupération web, appels programmatiques et exécution de code ; Sonnet 4.6 atteint respectivement 34,6% et 46,8%. L'ampleur du gain avec outils est elle-même instructive : la capacité actuelle appartient de plus en plus au couple modèle-environnement, pas seulement aux connaissances contenues dans les poids.

Sonnet 5 obtient 84,7% sur BrowseComp, un benchmark difficile de recherche web. Ce résultat utilise l'effort max, jusqu'à 10M jetons au total et une compaction du contexte déclenchée à 200k, bien au-delà d'une requête ordinaire. Anthropic a également corrigé le graphique BrowseComp le jour du lancement, car la première version employait une méthode simplifiée différente du protocole de la system card. La leçon est simple : un score d'agent appartient ensemble au modèle, aux outils de recherche, à la compaction, au budget et au moteur d'exécution.

Sur OSWorld-Verified, Sonnet 5 affiche 81,2%. Sonnet 4.6 a été réévalué à 78,5% après la correction d'un outil de zoom et le passage de la limite par tour de 16k à 128k. Sur les 108 tâches multi-applications de Toolathlon, Sonnet 5 atteint 54,3% en Pass@1, devant Sonnet 4.6 à 49,4% mais derrière Opus 4.8 à 59,9%. Même les modèles de pointe restent loin d'une réussite fiable lorsqu'une tâche traverse 32 applications et 604 outils.

Les évaluations professionnelles donnent la même image nuancée. Dans GDPval-AA v2, exécuté indépendamment par Artificial Analysis, Sonnet 5 obtient un Elo de 1618, statistiquement à égalité avec Opus 4.8 à 1615. Sur les 294 tâches financières complexes de Real-World Finance v2, il atteint 1219, proche des 1222 d'Opus 4.8, et remporte 69% des comparaisons face à Sonnet 4.6. Pourtant, le taux strict de réussite intégrale de Legal Agent Benchmark n'est que de 8,92%. Satisfaire en moyenne la plupart des critères et livrer un travail professionnel entièrement correct restent deux résultats distincts.

Les tests indépendants montrent un autre visage : plus fort, mais gourmand en jetons

Artificial Analysis attribue au profil Sonnet 5 avec adaptive reasoning et effort max un Intelligence Index d'environ 53,35 et une vitesse proche de 71,3 jetons de sortie par seconde. Le chiffre le plus révélateur est le volume total : environ 300M jetons de sortie sur la suite, contre une moyenne proche de 63M dans le groupe comparé. L'organisme annonce un coût total d'évaluation d'environ 4 010,12 $.

Cela ne signifie pas que chaque requête utilisateur sera longue. Artificial Analysis teste une configuration extrême sur son propre ensemble et son propre environnement. Le résultat rejoint toutefois la courbe de CursorBench : une partie de la capacité de Sonnet 5 vient de sa disposition à explorer plus longtemps, appeler davantage d'outils et vérifier plus d'étapes. Avec une facturation au jeton, le prix unitaire n'est qu'un terme de l'équation.

AA-Briefcase apporte un signal similaire. Ce benchmark simule des projets de connaissance de plusieurs semaines, avec des milliers de fichiers et des tâches liées. Sonnet 5 a utilisé en moyenne 183 tours, contre 55 pour Opus 4.8 et 67 pour Fable 5. La qualité était statistiquement proche d'Opus 4.8, mais le chemin était beaucoup plus long. Pour les agents de longue durée, « pouvoir terminer » et « terminer efficacement » restent deux questions différentes.

Un prix plus bas ne garantit pas une tâche terminée moins chère

La tarification officielle de l'API Claude comporte deux phases :

Le prix de lancement est inférieur aux 3 $/15 $ de Sonnet 4.6. Si l'on considère seulement que le tokenizer transforme le même texte en 1,0 à 1,35 fois plus de jetons, le coût relatif théorique est d'environ 67%-90% de l'ancien modèle pendant la promotion, puis 100%-135% au tarif standard. Anthropic dit avoir conçu ce prix pour rendre la migration globalement neutre, mais le résultat réel dépend aussi de la longueur générée, de la réflexion, des outils, du cache et des nouvelles tentatives.

L'unité utile est le coût total d'une tâche achevée et acceptable. Si Sonnet 5 dépense davantage de jetons mais réussit en une fois ce qui exigeait trois tentatives, le coût total peut baisser. S'il effectue un long raisonnement inutile sur une tâche simple, le prix unitaire plus bas peut être annulé. Savoir si medium suffit, si high augmente la fiabilité ou si max apporte un gain marginal rentable exige des essais répétés sur les mêmes tâches.

Sécurité et alignement progressent sans faire disparaître les problèmes

Anthropic affirme que Sonnet 5 refuse mieux les demandes malveillantes, résiste mieux à l'injection de prompt et réduit les hallucinations et la sycophancy par rapport à Sonnet 4.6. La system card offre une image plus complète et moins régulière. L'adhésion constitutionnelle, la robustesse face aux abus, les actions risquées spontanées, les hallucinations et la complaisance s'améliorent globalement, tandis que de petites régressions apparaissent face à certains system prompts nocifs, prefills et ordres de tromper l'utilisateur. Les taux absolus sont décrits comme faibles, mais ils restent pertinents.

Les tests de sécurité agentique montrent un progrès net face aux injections indirectes. Dans les cas cyber de Claude Code, le modèle refuse beaucoup plus sûrement les demandes malveillantes, avec une légère hausse des refus excessifs sur des demandes bénignes ou à double usage. Son comportement plus général de « wet blanket », c'est-à-dire des réponses trop décourageantes, froides ou moralisatrices, est aussi légèrement pire que celui de Sonnet 4.6. Réduire la complaisance tout en conservant chaleur et discernement reste un compromis.

L'evaluation awareness constitue un autre résultat notable. La system card indique que la reconnaissance verbale explicite du fait d'être évalué affectait environ 6% des exécutions dans un test relativement réaliste de désalignement et d'abus, tandis que les représentations internes distinguaient assez bien les évaluations des transcriptions d'usage interne réel. Anthropic juge les effets comportementaux observés jusqu'ici modestes, mais estime la tendance à surveiller. Un modèle conscient d'être testé peut se comporter différemment en benchmark et en déploiement.

Sonnet 5 ne repousse pas la frontière globale des capacités d'Anthropic et ses capacités cyber dangereuses restent nettement sous celles des Opus et Mythos actuels. Dans l'évaluation d'exploitation de Firefox 147, ni Sonnet 4.6 ni Sonnet 5 n'ont produit d'exploit complet : tous deux obtiennent 0,0% de réussite totale, même si Sonnet 5 a davantage de réussites partielles. Anthropic l'a donc lancé avec des protections cyber en temps réel activées, une première pour la gamme Sonnet.

Les changements de comportement qui comptent en pratique

Au-delà des scores, Sonnet 5 impose des contraintes qui modifient directement l'expérience. Des valeurs non standard de temperature, top_p ou top_k renvoient une erreur 400 ; le style et la variété doivent donc être davantage contrôlés par les instructions et les exemples. Le budget_tokens manuel n'est plus accepté et le préremplissage du message assistant reste non pris en charge. Une application dépendante de ces anciens contrôles ne peut pas traiter la migration comme un simple changement de nom.

Son interprétation littérale de la portée rend la spécification de la tâche plus importante. Donner dès le premier tour l'objectif, les contraintes, les outils, les critères d'achèvement et le format favorise généralement l'autonomie et limite les explorations répétées. Pour une tâche complexe, augmenter effort est souvent préférable à répéter « réfléchis davantage ». Pour une tâche simple, des limites explicites sur la longueur et les outils empêchent un espace ouvert de devenir une exploration inutile.

Le contexte long exige toujours une organisation de l'information. Placer tout un corpus dans une fenêtre de 1M ne garantit pas l'identification de la preuve décisive. Le découpage, les étiquettes de source, l'ordre de récupération, la compaction et la vérification finale continuent de déterminer le résultat. Sonnet 5 fournit un espace de travail plus grand et un exécutant plus solide ; il ne supprime pas le besoin d'organiser le travail.

Où Sonnet 5 est pertinent, et où il l'est moins

Les cas les plus convaincants sont les agents de codage à appels répétés, le débogage multifichier, la compréhension de dépôts, la recherche avec navigation et code, l'usage de l'ordinateur, les longs documents, la finance, le droit et d'autres travaux professionnels qui ont besoin d'une capacité proche d'un modèle phare sans en payer le tarif à chaque exécution.

Ce n'est pas automatiquement le meilleur choix partout. Classification simple, résumé court, extraction à schéma fixe et questions à grand volume peuvent coûter moins cher avec un petit modèle ou un effort inférieur. Le raisonnement le plus difficile et les travaux extrêmement sensibles à l'exactitude peuvent encore favoriser Opus ou un autre produit phare. Anthropic recommande lui-même Opus 4.8 pour la recherche cyber autorisée nécessitant moins de protections. Les produits qui dépendent d'un ton chaleureux, d'une variété créative ou de sorties toujours courtes doivent tester le comportement plus froid, littéral et potentiellement long de Sonnet 5.

Une bonne méthode ne demande pas quel rang abstrait occupe Sonnet 5. Elle construit un ensemble représentatif, répète au moins deux niveaux d'effort et mesure le taux d'achèvement complet, les reprises humaines, les jetons totaux, le temps jusqu'au premier jeton, la latence de bout en bout, les erreurs d'outils et la cohérence. Choisir un modèle revient à optimiser conjointement qualité, temps, coût et risque.

Ce que nous ignorons encore

Premièrement, la plupart des résultats détaillés de capacité et de sécurité restent exécutés ou compilés par Anthropic. CursorBench et Artificial Analysis ajoutent des signaux indépendants sans reproduire toute la system card. Deuxièmement, beaucoup de scores phares reposent sur l'effort max, d'immenses budgets, la compaction et des outils spécialisés ; ils ne décrivent pas le comportement API par défaut.

Troisièmement, les évaluations évoluent. Anthropic a corrigé BrowseComp le jour du lancement. OSWorld a changé après la correction du zoom et l'augmentation de la limite par tour. CursorBench est passé en version 3.2 en juillet avec de nouvelles tâches. Le framework et la méthode peuvent déplacer fortement un score sans modifier le modèle.

Quatrièmement, il n'existe pas de réponse unique sur l'effet du tokenizer, de la réflexion par défaut et de l'usage accru d'outils dans chaque langue, dépôt ou longueur de tâche. Le tarif promotionnel prend fin après le 2026-08-31 et modifie l'économie de la même charge. Enfin, 1M de contexte, 128k de sortie et de plus longues trajectoires augmentent le plafond de capacité tout en amplifiant les risques de délai, d'accumulation d'erreurs, d'actions indésirables et de difficulté d'audit.

Conclusion

L'élément le plus important de Claude Sonnet 5 n'est pas sa place dans un classement. C'est le déplacement des capacités agentiques des produits phares coûteux vers les attentes normales du milieu de gamme. Sonnet 5 progresse sur le codage soutenu, la recherche, les outils et le travail professionnel ; effort et adaptive thinking permettent au même modèle d'aller de la réponse rapide à l'exécution autonome longue.

Cette capacité n'est pas gratuite. Le nouveau tokenizer compte davantage de jetons pour un même texte, un effort élevé peut créer des trajectoires beaucoup plus longues et les tests indépendants montrent que le modèle peut dépenser fortement pour de meilleurs résultats. La sécurité s'améliore globalement, tandis que les refus excessifs, le ton plus froid, la conscience d'évaluation et certaines régressions persistent.

Sonnet 5 n'est donc ni simplement « un Opus moins cher », ni « un Sonnet 4.6 plus coûteux ». C'est une nouvelle catégorie d'agent intermédiaire : un plafond nettement supérieur, davantage de réglages et une valeur plus dépendante de la conception et de la mesure. Les métriques décisives restent la réussite complète, les reprises humaines, le temps total et le coût total.

Sources

• Anthropic : présentation de Claude Sonnet 5
• Claude Sonnet 5 System Card
• Vue d'ensemble des modèles Claude
• Nouveautés de Claude Sonnet 5
• Documentation du paramètre effort
• Guide de prompting de Claude Sonnet 5
• Tarification de l'API Claude
• CursorBench 3.2
• Artificial Analysis : profil de Claude Sonnet 5
• Article de lancement de TechCrunch