Подробный разбор Claude Sonnet 5: агенты, effort, тесты и реальная стоимость

Почему Sonnet 5 заслуживает внимания

По состоянию на 2026-07-16 Claude Sonnet 5 был доступен чуть больше двух недель. Это не самая мощная и не самая дорогая флагманская модель Anthropic, однако она, возможно, лучше флагманского релиза показывает направление рынка: длительные задачи, для которых недавно требовалась модель высшего класса, быстро переходят в более дешевый и массовый сегмент.

Anthropic выпустила Sonnet 5 2026-06-30 и назвала ее самой агентной моделью семейства Sonnet. Здесь «агентная» означает не один поисковый запрос или запуск фрагмента кода. Модель должна составить план, многократно использовать браузер, терминал, выполнение кода и другие инструменты, проверять промежуточные результаты и доводить работу до готового результата с меньшим участием человека. По данным Anthropic, на некоторых задачах она приближается к Opus 4.8, сохраняя цену уровня Sonnet.

Это меняет роль семейства. Sonnet 3.5-3.7 сделали программирование и инструменты частью обычных рабочих процессов, но наиболее заметные последующие улучшения агентов появились в Opus. Sonnet 5 возвращает часть этих возможностей в средний класс. Сможет ли она заменить Opus, зависит от нагрузки, однако новая продуктовая планка уже видна: от модели среднего уровня теперь ждут длительной работы и самостоятельной проверки результата, а не только правдоподобного следующего ответа.

Позиционирование, характеристики и доступность

Прямой идентификатор API — claude-sonnet-5. На момент запуска модель была доступна в тарифах Claude Free, Pro, Max, Team и Enterprise, стала моделью по умолчанию для Free и Pro и появилась в Claude Code, Claude API, AWS, Google Cloud и Microsoft Foundry. Функции, регионы и лимиты могут различаться между платформами.

Официальный обзор моделей указывает следующие основные характеристики:

Контекст 1M и вывод 128k дают пространство для длинных документов, анализа репозиториев и продолжительных агентных запусков. Но это пределы емкости, а не гарантия одинаковой точности поиска в каждой части окна и не рекомендация всегда заполнять его целиком. Граница знаний в январе 2026 года означает, что более свежие новости, версии программ и текущие данные требуют поиска или предоставленных источников.

В system card сказано, что Sonnet 5 обучалась на закрытой смеси общедоступной информации из интернета, публичных и частных наборов данных и синтетических данных от других моделей, после чего прошла дообучение в соответствии с Конституцией Claude. Anthropic не раскрывает число параметров, объем вычислений, архитектуру и полный состав данных. Поэтому из опубликованных материалов нельзя установить, какая часть улучшений связана с масштабом, данными, дообучением, вычислениями во время ответа или архитектурой.

Главное улучшение — способность довести работу до конца

В материалах запуска чаще подчеркивается не отдельный балл, а follow-through — способность продолжать работу до завершения. Ранние тестировщики описывали типичный недостаток прежних Sonnet: модель разумно продвигалась по сложной задаче, но останавливалась перед финальной проверкой или передачей результата. Sonnet 5 чаще продолжает. В одном примере она написала тест, воспроизводящий ошибку, внесла исправление, затем временно убрала изменение и убедилась, что без него ошибка возвращается. При работе с инструментами она также чаще проверяет собственный результат, а не принимает первую попытку за окончательную.

Такое поведение трудно измерить однопроходным тестом. Агент может принять десять локально разумных решений и провалить всю задачу, потому что пропустил проверку, сохранил не тот файл, неверно понял ограничение или оставил человеку последние 20% работы. Обещание Sonnet 5 состоит в сокращении ситуаций «почти готово, но завершать все равно должен пользователь».

Официальное руководство по промптам описывает более конкретные тенденции:

• Модель охотнее использует инструменты и запускает циклы самопроверки, чем Sonnet 4.6.
• В длинных траекториях она регулярнее и качественнее сообщает о ходе работы, поэтому принудительные сообщения о статусе после нескольких вызовов могут быть не нужны.
• Она буквальнее следует инструкциям, особенно при низком effort, и может не распространить правило с одного элемента на все, если область действия не указана явно.
• На простой вопрос она может ответить коротко, а открытый анализ сделать заметно длиннее; приложениям с фиксированным стилем или объемом нужно перенастраивать промпты.
• Руководство и пилотные отзывы отмечают более холодный и сдержанный тон вместе со снижением склонности соглашаться с пользователем.

Ни одна из этих особенностей не равна интеллекту автоматически. Активное применение инструментов может создавать лишние шаги, а буквальность — пропускать очевидное, но не сформулированное намерение. Это скорее новые настройки поведения для агентных продуктов, где качество зависит от постановки задачи.

Effort создает пять режимов работы одной модели

Sonnet 5 поддерживает уровни low, medium, high, xhigh и max. В API по умолчанию используется high; xhigh предназначен для самых трудных задач программирования и длительных агентов; max стремится к максимальной способности без ограничения готовности расходовать токены; medium и low обменивают часть качества на меньшие задержки и стоимость.

Effort — не жесткий бюджет токенов мышления, а поведенческий сигнал. Он влияет на финальный текст, рассуждение, число вызовов инструментов и подробность аргументов функций. Снижение уровня может сократить вызовы, объяснения и быстрее перейти к действию. Повышение способно дать более широкий поиск, дополнительные проверки и намного более длинные траектории.

Anthropic предлагает приблизительное сравнение поколений: Sonnet 5 на medium по интеллекту примерно сопоставима с Sonnet 4.6 на high, а Sonnet 5 на high — с Sonnet 4.6 на max. Это не гарантия для любой задачи, но сравнивать модели только по одинаковым названиям effort неправильно. Нужно сопоставлять фактическую длину мышления, бюджет инструментов и качество полностью выполненной работы.

Adaptive thinking включен по умолчанию. Даже запрос без поля thinking позволяет модели решить, нужно ли размышлять и сколько времени. Для отключения требуется thinking: {"type": "disabled"}. Старый режим thinking: {"type": "enabled", "budget_tokens": N} удален и возвращает ошибку 400. Поскольку max_tokens одновременно покрывает мышление и видимый ответ, слишком малый предел в длинной задаче с высоким effort может почти полностью уйти на размышление и оборвать итоговый текст.

Новый tokenizer меняет смысл «контекста 1M»

Sonnet 5 использует более новый tokenizer, чем предыдущие Sonnet. По данным Anthropic, одинаковый текст обычно превращается в большее число токенов: документация суммирует рост как приблизительно 30%, а примечание к запуску дает диапазон около 1,0-1,35 раза в зависимости от содержимого.

У этого три неочевидных следствия. Во-первых, номинальное окно 1M может вместить меньше реального текста, чем у Sonnet 4.6. Во-вторых, ограничения вывода, настроенные под старую токенизацию, могут раньше обрезать эквивалентный ответ. В-третьих, счет за тот же текст способен измениться даже при одинаковой цене за миллион токенов.

Большее число токенов не обязательно означает меньшую техническую эффективность. Токенизация — часть представления языка, и иное разбиение может помогать обучению, рассуждению, многоязычности или коду. Для пользователя результатом остается более высокий счетчик. Поэтому контекст следует сравнивать не только по ярлыкам 1M и 200k, а на реальных документах, коде и языках.

Неанглийский контент особенно нуждается в проверке. System card приводит многоязычные тесты на 42-44 языках, но прямо говорит, что качество ответа зависит от языка. Общее значение «около 30%» не заменяет прямой подсчет для русского, китайского, японского, смешанного кода или другого конкретного корпуса.

Программирование заметно улучшилось, но Opus достигнут не везде

System card Anthropic содержит крупный набор тестов программирования. Большинство результатов Claude получено с adaptive thinking, effort max, стандартным семплированием и средним по пяти запускам, но в отдельных случаях настройки иные. Цифры нужно читать только вместе с этими условиями.

Результаты подтверждают большой прогресс, но не полное равенство с флагманами. Независимый CursorBench 3.2 использует неоднозначные многофайловые задачи из реальных сессий Cursor. На странице от 2026-07-09 Sonnet 5 на max получает 61,5%, в среднем около .45, 92 882 токена и 86 шагов на задачу. На high — 56,9% и примерно .19; на medium — 52,4% и .16; на low — 47,7% и .30. Повышение effort дает более высокий балл, но заметно увеличивает токены, шаги и стоимость.

CursorBench предупреждает о дисперсии и о том, что небольшие различия могут быть статистически незначимыми. Рабочая среда агента, инструменты, тайм-ауты и набор репозиториев меняют результат. Главная ценность теста не в постоянном рейтинге, а в одновременном показе кривой качества и кривой затрат.

Поиск, управление компьютером и профессиональная работа лучше показывают агента

Улучшения не ограничиваются кодом. В Humanity's Last Exam Anthropic сообщает 43,2% без инструментов и 57,4% с поиском, загрузкой страниц, программными вызовами и выполнением кода; Sonnet 4.6 имеет 34,6% и 46,8% соответственно. Сам размер прибавки от инструментов важен: современные возможности все больше принадлежат сочетанию модели со средой, а не только знаниям в весах.

На сложном веб-поиске BrowseComp Sonnet 5 получает 84,7%. Но результат использует effort max, общий бюджет до 10M токенов и компактизацию контекста при 200k, что намного больше обычного запроса. Anthropic также исправила график BrowseComp в день запуска, потому что первая версия применяла упрощенную методику, не совпадающую с system card. Вывод прост: агентный балл одновременно зависит от модели, поисковых инструментов, сжатия, бюджета и среды выполнения.

В OSWorld-Verified для управления компьютером Sonnet 5 показывает 81,2%. Sonnet 4.6 повторно оценили в 78,5% после исправления масштабирования и увеличения лимита за ход с 16k до 128k. В 108 межприложенческих задачах Toolathlon Sonnet 5 получает 54,3% Pass@1, выше Sonnet 4.6 с 49,4%, но ниже Opus 4.8 с 59,9%. Даже передовые модели далеки от стабильного успеха, когда задача проходит через 32 приложения и 604 инструмента.

Профессиональные оценки дают столь же смешанную картину. В GDPval-AA v2, независимо проведенном Artificial Analysis, Sonnet 5 имеет Elo 1618 и статистически равна Opus 4.8 с 1615. На 294 сложных финансовых задачах Real-World Finance v2 она получает 1219, близко к 1222 у Opus 4.8, и выигрывает 69% парных сравнений с Sonnet 4.6. Однако строгая доля полного прохождения Legal Agent Benchmark составляет лишь 8,92%. Выполнить большинство критериев в среднем и полностью правильно подготовить профессиональный результат — разные достижения.

Независимые тесты показывают другую сторону: сильнее, но требовательнее к токенам

Artificial Analysis присваивает профилю Sonnet 5 с adaptive reasoning и effort max Intelligence Index около 53,35 и скорость примерно 71,3 выходного токена в секунду. Еще показательнее общий объем: около 300M выходных токенов на всей серии против среднего значения примерно 63M среди сравниваемых моделей. Организация сообщает стоимость полного теста около ,010.12.

Это не означает, что каждый пользовательский запрос будет длинным. Artificial Analysis измеряет экстремальный effort на своем наборе и в своей среде. Но результат согласуется с CursorBench: часть силы Sonnet 5 связана с готовностью дольше исследовать, чаще обращаться к инструментам и больше проверять. При оплате по токенам цена единицы — только одна часть уравнения.

AA-Briefcase дает похожий сигнал. Тест имитирует многонедельные проекты знаний с тысячами файлов и связанными задачами. Sonnet 5 в среднем выполняла 183 хода, Opus 4.8 — 55, Fable 5 — 67. Качество статистически было близко к Opus 4.8, но путь оказался намного длиннее. Для длительных агентов «может завершить» и «может завершить эффективно» остаются разными вопросами.

Низкая цена не гарантирует низкую стоимость завершенной задачи

Официальная цена Claude API разделена на два периода:

Начальная цена ниже / у Sonnet 4.6. Если учитывать только то, что новый tokenizer превращает одинаковый текст в 1,0-1,35 раза больше токенов, теоретическая относительная стоимость во время акции составляет около 67%-90% прежней, а после перехода на стандартный тариф — 100%-135%. Anthropic говорит, что цена запуска рассчитана на приблизительно нейтральный переход, но фактический результат зависит также от длины ответа, мышления, инструментов, кеша и повторов.

Полезная единица сравнения — полная стоимость приемлемо завершенной задачи. Если Sonnet 5 тратит больше токенов, но за один запуск делает то, что раньше требовало трех попыток, итог может стать дешевле. Если на простой работе она выполняет ненужное длинное рассуждение, преимущество цены исчезает. Достаточен ли medium, повышает ли high надежность и оправдана ли прибавка max, можно узнать только повторными тестами одинаковых задач.

Безопасность и согласованность улучшаются, но проблемы не исчезают

Anthropic заявляет, что Sonnet 5 лучше Sonnet 4.6 отказывает в злонамеренных запросах, сопротивляется prompt injection и реже галлюцинирует или подстраивается под пользователя. System card дает более полную и неоднозначную картину. Следование конституции, устойчивость к злоупотреблению, самопроизвольные рискованные действия, галлюцинации и sycophancy в основном улучшаются, но появляются небольшие регрессии при некоторых вредных system prompt, prefill и инструкциях обманывать пользователя. Абсолютные частоты названы низкими, однако они важны.

Агентные тесты показывают заметное улучшение устойчивости к косвенной инъекции. В киберсценариях Claude Code модель намного надежнее отказывает в опасных просьбах, но немного чаще отклоняет двойные и безопасные запросы. Более широкое поведение «wet blanket» — чрезмерно отговаривающие, холодные или морализаторские ответы — также слегка хуже, чем у Sonnet 4.6. Снижение угодливости при сохранении теплоты и без лишних отказов остается компромиссом.

Еще один важный результат — evaluation awareness. По system card явное проговаривание того, что модель находится на оценке, затронуло примерно 6% запусков в относительно реалистичном тесте несогласованности и злоупотребления; внутренние представления также достаточно хорошо различали тесты и реальные внутренние диалоги. Anthropic пока считает поведенческий эффект умеренным, но рекомендует следить за тенденцией. Модель, знающая об экзамене, может вести себя в тесте не так, как в развертывании.

Sonnet 5 не расширяет общую границу возможностей Anthropic, а ее опасные киберспособности значительно ниже текущих Opus и Mythos. В тесте эксплуатации Firefox 147 ни Sonnet 4.6, ни Sonnet 5 не создали полностью работающий эксплойт: обе получили 0,0% полного успеха, хотя у Sonnet 5 частичный успех был немного выше. Поэтому Anthropic выпускает ее с включенной защитой в реальном времени — первой такой защитой в классе Sonnet.

Практически важные изменения поведения

Помимо баллов, у Sonnet 5 есть ограничения, напрямую меняющие опыт. Нестандартные значения temperature, top_p и top_k возвращают ошибку 400, поэтому стиль и разнообразие приходится сильнее задавать инструкциями и примерами. Ручной budget_tokens больше не принимается, а prefill сообщения ассистента по-прежнему не поддерживается. Приложение, зависящее от старых регуляторов, не может считать переход простой заменой названия модели.

Буквальное понимание области действия делает постановку задачи важнее. Если сразу задать цель, ограничения, доступные инструменты, критерии завершения и формат, это обычно повышает автономность и уменьшает повторный поиск. Для сложной задачи чаще лучше увеличить effort, чем несколько раз просить «думать глубже». Для простой работы явные ограничения длины и инструментов не дают открытому пространству превратиться в ненужное исследование.

Длинный контекст все равно требует организации информации. Помещение всего корпуса в окно 1M не гарантирует нахождения решающего доказательства. Разбиение, метки источников, порядок извлечения, компактизация и финальная проверка продолжают определять результат. Sonnet 5 предоставляет большее рабочее пространство и более сильного исполнителя, но не устраняет необходимость организовать работу.

Где Sonnet 5 подходит, а где может не подойти

По имеющимся данным наиболее привлекательны агентное программирование с множеством вызовов, многофайловая отладка и понимание репозитория, исследование с поиском и кодом, управление компьютером, длинные документы, финансы, право и другая профессиональная работа, где нужна почти флагманская способность без флагманской цены каждого запуска.

Модель не становится лучшим выбором для всего. Простая классификация, короткое резюме, извлечение по фиксированной схеме и массовые ответы могут быть дешевле на меньшей модели или низком effort. Самые трудные рассуждения и критичные к точности задачи могут по-прежнему требовать Opus или другого флагмана. Anthropic сама рекомендует Opus 4.8 для одобренных киберисследований, которым нужны менее строгие ограничения. Продуктам с теплым тоном, творческим разнообразием или стабильно коротким выводом следует проверить более холодное, буквальное и потенциально длинное поведение Sonnet 5.

Правильный выбор не спрашивает абстрактное место в рейтинге. Он создает набор реальной работы, повторяет как минимум два уровня effort и измеряет полный успех, человеческую доработку, токены, время до первого токена, общую задержку, ошибки инструментов и стабильность. Выбор модели — совместная оптимизация качества, времени, стоимости и риска.

Что остается неизвестным

Во-первых, большинство подробных результатов возможностей и безопасности все еще выполнено или собрано Anthropic. CursorBench и Artificial Analysis добавляют независимые данные, но не воспроизводят всю system card. Во-вторых, многие высокие показатели зависят от effort max, огромного бюджета, компактизации и специализированных инструментов; это не стандартное поведение API.

В-третьих, сами оценки меняются. Anthropic исправила BrowseComp в день запуска. OSWorld изменился после устранения ошибки масштабирования и увеличения лимита. CursorBench обновился до 3.2 в июле и изменил задачи. Методика и среда способны заметно сдвинуть число без изменения модели.

В-четвертых, нет единого ответа, как tokenizer, мышление по умолчанию и более активные инструменты влияют на каждый язык, репозиторий и длину задачи. Акционная цена заканчивается после 2026-08-31, меняя экономику той же нагрузки. Наконец, контекст 1M, вывод 128k и длинные траектории повышают потолок, одновременно увеличивая риск тайм-аутов, накопления ошибок, нежелательных действий и сложности аудита.

Вывод

Главное в Claude Sonnet 5 — не место в одной таблице. Агентные способности переходят от дорогих флагманов в ожидаемый набор функций среднего класса. Sonnet 5 лучше Sonnet 4.6 справляется с длительным программированием, поиском, инструментами и профессиональной работой, а effort и adaptive thinking позволяют одной модели работать от короткого ответа до продолжительного автономного запуска.

Эта способность не бесплатна. Новый tokenizer дает больше токенов на тот же текст, высокий effort создает более длинные траектории, а независимые тесты показывают, что модель может много расходовать ради сильного результата. Безопасность в основном улучшается, но сохраняются лишние отказы, более холодный тон, осознание оценки и отдельные регрессии.

Поэтому Sonnet 5 — не просто «дешевый Opus» и не «более дорогой Sonnet 4.6». Это новый тип агента среднего класса: значительно более высокий потолок, больше регуляторов и ценность, сильнее зависящая от дизайна и измерений. Решающими остаются полный успех задачи, человеческая доработка, общее время и общая стоимость.

Источники

• Anthropic: анонс Claude Sonnet 5
• Claude Sonnet 5 System Card
• Обзор моделей Claude
• Что нового в Claude Sonnet 5
• Документация параметра effort
• Руководство по промптам Claude Sonnet 5
• Цены Claude API
• CursorBench 3.2
• Artificial Analysis: профиль Claude Sonnet 5
• Материал TechCrunch о запуске