Claude Sonnet 5 深度解析：代理能力、Effort、评测与真实成本

为什么 Sonnet 5 值得关注

截至 2026-07-16，Claude Sonnet 5 已经发布两周多。它不是 Anthropic 能力最强、价格最高的旗舰模型，却可能比旗舰更新更能说明当前大模型竞争的方向：过去只有顶级模型才能稳定完成的长链路任务，正在快速下沉到更便宜、调用频率更高的中档产品。

Anthropic 在 2026-06-30 发布 Sonnet 5，将它描述为迄今“最具代理能力的 Sonnet”。这里的“代理能力”不只是会调用一次搜索或执行一段代码，而是能先形成计划，再连续使用浏览器、终端、代码执行和其他工具，检查中间结果，并在较少人工干预的情况下把多步骤任务推进到可交付状态。官方称它在部分任务上接近 Opus 4.8，但价格仍处于 Sonnet 档。

这也是 Sonnet 系列定位的一次变化。Sonnet 3.5 到 3.7 曾经让编码和工具调用进入主流开发工作流，后续最明显的代理能力提升却更多出现在 Opus。Sonnet 5 的核心意义，是把这部分能力重新带回中档模型。它是否真的能替代 Opus，要看具体任务；但“中档模型也必须能长时间工作并自行核验”已经成为新的产品基线。

模型定位、规格与可用范围

Claude Sonnet 5 的直接 API 模型 ID 是 claude-sonnet-5。发布时它已经进入 Claude 的 Free、Pro、Max、Team 和 Enterprise 方案，也是 Free 与 Pro 的默认模型，并可通过 Claude Code、Claude API、AWS、Google Cloud 和 Microsoft Foundry 等入口使用。不同平台的功能、地区和限额仍可能存在差异。

官方模型概览给出的主要规格如下：

项目	Claude Sonnet 5
输入	文本与图像
输出	文本
上下文窗口	1M Token，默认值同时也是上限
最大同步输出	128k Token
可靠知识截止时间	2026 年 1 月
默认思考方式	adaptive thinking
API 默认 effort	`high`

1M 上下文和 128k 输出为长文档、代码库分析和长时间代理任务提供了空间，但它们只是容量上限，不代表模型在窗口每个位置都能保持同样的检索准确率，也不代表一次请求应该尽量填满。可靠知识截止到 2026 年 1 月，则意味着发布之后的新闻、软件版本和实时数据仍需要搜索或外部资料支持。

System card 还说明，Sonnet 5 使用公开互联网信息、公开与私有数据集以及其他模型生成的合成数据进行训练，并经过面向 Claude Constitution 的后训练。Anthropic 没有公开参数量、训练计算量或完整数据构成，因此不能从现有材料判断它在架构或规模上与 Sonnet 4.6 有多大变化。

真正的升级：从“会做”转向“把事情做完”

发布材料反复强调的不是某一个知识问答分数，而是 follow-through，也就是模型能否持续推进任务。早期测试者提到的共同变化包括：旧版 Sonnet 容易在复杂任务中途停下，Sonnet 5 更倾向于继续执行；它会主动写复现测试、修改代码，再撤销修改确认问题确实由该补丁解决；在工具任务里，它也更常检查自己的输出，而不是把第一次结果直接交给用户。

这类变化很难由单轮基准完全捕捉。一个代理可能每一步都看似合理，却因为漏掉最后的验证、没有保存正确文件、误解某个业务约束而让整个任务失败。Sonnet 5 的产品卖点，正是减少这种“完成了 80%，但仍需要人类收尾”的情况。

官方提示词指南也披露了几个更具体的行为倾向：

它比 Sonnet 4.6 更容易主动使用工具，并形成自我核验循环。
长任务中会更规律地向用户报告进度，过去用于强制每隔几次工具调用汇报的脚手架可能不再必要。
它对指令的理解更字面化，尤其在较低 effort 下，不会自动把针对一个项目的要求推广到所有项目。
简单问题的回答可能更短，开放式分析则可能明显更长；如果产品依赖固定语气或篇幅，仍需重新调试提示词。
官方和试用反馈都提到语气可能更冷、更克制，换来的是更低的迎合倾向。

这些特征并不自动等于“更聪明”。更积极地调用工具也可能带来多余步骤，更字面化的指令遵循也可能漏掉用户没有写明的真实意图。它们更像是一套适合代理产品的新默认行为，需要结合任务设计来判断好坏。

Effort 让同一个模型出现五种工作方式

Sonnet 5 支持 low、medium、high、xhigh 和 max 五个 effort 档位。high 是 API 默认值；xhigh 面向最困难的编码和长时间代理任务；max 追求最高能力，不限制模型主动消耗 Token 的倾向；medium 和 low 则用部分能力换取更低延迟和成本。

Effort 不是一个严格的思考 Token 配额，而是行为信号。它会同时影响最终文本、思考过程、工具调用次数以及函数参数的详细程度。降低 effort 后，模型可能减少工具调用、压缩解释并更直接地执行；提高 effort 后，它可能探索更多路径、做更多验证，也更容易产生很长的轨迹。

官方给出的粗略跨代映射很值得注意：Sonnet 5 的 medium 在智能表现上大致可与 Sonnet 4.6 的 high 相比，而 Sonnet 5 的 high 大致对应 Sonnet 4.6 的 max。这不是对每个任务都成立的保证，但它说明比较模型时不能只对齐 effort 的名字，更合理的方法是对齐实际思考长度、工具预算和完成质量。

Sonnet 5 还把 adaptive thinking 设为默认行为。请求即使不包含 thinking 字段，也会让模型自行判断何时思考以及思考多久。若要完全关闭，需要显式发送 thinking: {"type": "disabled"}。旧式的 thinking: {"type": "enabled", "budget_tokens": N} 已被移除并返回 400 错误。由于 max_tokens 同时覆盖思考和最终回答，在高 effort 的长任务中，预算过小可能出现大部分 Token 用于思考、最终答案却被截断的情况。

新 Tokenizer 改变了“1M 上下文”的实际含义

Sonnet 5 使用了与更早 Sonnet 不同的新 tokenizer。Anthropic 表示，同一段文本通常会映射为更多 Token，文档概括为约增加 30%，发布页脚注给出的范围是约 1.0–1.35 倍，具体取决于语言和内容类型。

这带来三个容易被忽略的结果。第一，同样标称 1M Token，上下文能容纳的实际文字可能少于 Sonnet 4.6。第二，为旧模型设置的输出上限可能在新模型上更早截断。第三，即使每百万 Token 的标价没有变化，相同文本对应的账单也可能变化。

Token 数增加并不必然表示模型“效率下降”。Tokenizer 是模型表示文本的方式，新切分可能有利于训练、推理、多语言或代码能力，但用户看到的是更高的计数。因此，比较上下文容量时，不能只比较 1M、200k 这样的标签，还要比较自己的文档、代码和目标语言在不同 tokenizer 下实际占用多少 Token。

这个变化对非英语内容尤其值得实测。System card 显示 Anthropic 在 42 至 44 种语言的多语言基准上进行了评估，但官方也明确写道输出质量会随语言变化。一个英文资料集上的“约 30%”不能直接替代中文、日文、俄文或混合代码文本的实际计数。

编码能力进步明显，但并非全面追平 Opus

Anthropic 的 system card 汇总了大量编码评测。多数 Claude 结果使用 adaptive thinking、max effort、默认采样并取 5 次平均，但个别测试使用不同设置，因此数字只能在注明条件的范围内解读。

评测	Sonnet 5	Sonnet 4.6	说明
SWE-bench Verified	85.2%	未在同表列出	500 个经人工确认可解的真实 GitHub 问题
SWE-bench Pro	63.2%	58.1%	更难、更多文件且减少公开答案泄漏
SWE-bench Multilingual	78.3%	未在同表列出	300 个问题，覆盖 9 种编程语言
FrontierCode v1	38.8%	15.1%	150 个来自真实开源 PR 的代理式编码任务
Terminal-Bench 2.1	80.4%	67.0%	Sonnet 5 使用 `xhigh`，Sonnet 4.6 使用 `high`，不是完全同配置

这些结果支持“编码明显增强”，但不支持“已经全面达到旗舰”。例如 Cursor 独立维护的 CursorBench 3.2 使用来自真实 Cursor 会话的模糊、多文件任务。其 2026-07-09 页面显示，Sonnet 5 在 max 下为 61.5%，平均每任务约 .45、92,882 Token 和 86 个步骤；high 为 56.9%、约 .19；medium 为 52.4%、约 .16；low 为 47.7%、约 .30。更高 effort 带来更高分数，但边际提升伴随明显增加的 Token、步骤和成本。

CursorBench 也提醒，小分差可能没有统计意义，而且生产代理框架、工具集合、超时和代码库都会改变结果。它最有价值的地方不是给模型排一个固定名次，而是把“能力曲线”和“成本曲线”放在同一张图里。

搜索、电脑操作和专业工作更能体现代理能力

Sonnet 5 的提升并不局限于写代码。在 Humanity's Last Exam 上，官方报告无工具得分 43.2%，使用搜索、抓取、程序化工具调用和代码执行后为 57.4%；Sonnet 4.6 对应为 34.6% 和 46.8%。工具带来的增益本身说明，现代模型的能力越来越取决于推理与外部环境的组合，而不是封闭权重中的知识量。

在 BrowseComp 这一困难网页搜索评测中，Sonnet 5 得到 84.7%。但该结果使用了 max effort、最高 10M Token 的总预算，并在 200k Token 时触发上下文压缩，远高于普通单轮请求。Anthropic 在发布当天还修正过 BrowseComp 图表，因为最初采用的简化方法与 system card 的标准方法不一致。这个例子非常典型：代理分数不仅属于模型，也属于搜索工具、压缩策略、Token 预算和执行框架。

在 OSWorld-Verified 电脑操作评测中，Sonnet 5 报告 81.2%，Sonnet 4.6 在修复缩放工具问题并把单轮上限从 16k 提高到 128k 后重测为 78.5%。在 Toolathlon 的 108 个跨应用任务上，Sonnet 5 的 Pass@1 为 54.3%，高于 Sonnet 4.6 的 49.4%，但仍低于 Opus 4.8 的 59.9%。即使是当前前沿模型，面对跨 32 个应用、604 个工具的长链路任务，也远没有达到稳定成功。

专业工作评测也呈现类似图景。由 Artificial Analysis 独立运行的 GDPval-AA v2 中，Sonnet 5 的 Elo 为 1618，与 Opus 4.8 的 1615 在统计上相当；在 Real-World Finance v2 的 294 个复杂金融任务上，Sonnet 5 的 Elo 为 1219，与 Opus 4.8 的 1222 接近，并以 69% 的两两胜率领先 Sonnet 4.6。另一方面，Legal Agent Benchmark 的严格全通过率只有 8.92%，说明“平均满足大多数评分项”和“完整交付一项专业工作”仍是两回事。

独立评测揭示了另一面：更强，也更愿意消耗 Token

Artificial Analysis 的独立档案为 Sonnet 5 的 adaptive reasoning、max effort 配置给出约 53.35 的 Intelligence Index、约 71.3 个输出 Token/秒。更值得注意的是，它完成整套 Intelligence Index 时生成了约 300M 输出 Token，而对比模型的平均值约为 63M；该机构报告整次评估成本约 ,010.12。

这不能直接推导出每个用户任务都会变得冗长。Artificial Analysis 测的是极高 effort 配置，任务组合和运行方式也与日常聊天不同。但它与 CursorBench 的 effort 曲线相互印证：Sonnet 5 的高能力很大程度上来自愿意进行更长探索、更多工具调用和更多自我检查。按 Token 计价时，单价只是成本方程的一部分。

System card 中的 AA-Briefcase 结果也提供了类似信号。该评测模拟由大量文件和关联任务组成的多周知识工作项目，Sonnet 5 平均运行 183 轮，而 Opus 4.8 为 55 轮、Fable 5 为 67 轮。Sonnet 5 的结果质量与 Opus 4.8 统计上接近，但它到达结果所走的路径明显更长。对长任务而言，“能做完”和“高效做完”仍然是两个独立问题。

价格更低，不等于每项任务都更便宜

Sonnet 5 的 Claude API 官方价格分两个阶段：

时段	输入 / MTok	5 分钟缓存写入	1 小时缓存写入	缓存命中	输出 / MTok
至 2026-08-31		.50		.20
自 2026-09-01		.75		.30

促销期单价低于 Sonnet 4.6 的 /。若只考虑相同文本被新 tokenizer 映射为 1.0–1.35 倍 Token，输入或输出的理论相对成本约为旧模型的 67%–90%；恢复标准价后则约为 100%–135%。Anthropic 将促销设计描述为让迁移大致保持成本中性，但真实结果还取决于输出长度、思考、工具调用、缓存和重试。

因此，更有意义的比较单位是“完成一个合格任务的总成本”。如果 Sonnet 5 用更多 Token，却把过去需要三次重试的任务一次完成，总成本可能下降；如果它在简单任务上进行不必要的长推理，便宜的单价也可能被抵消。medium 是否已经足够、high 是否增加稳定性、max 的边际收益是否值得，都只能通过同一任务集的重复测试回答。

安全与对齐：改善是真实的，问题也没有消失

Anthropic 的发布页称 Sonnet 5 相比 Sonnet 4.6 更能拒绝恶意请求、抵抗提示注入，并降低幻觉和迎合。System card 给出了更完整也更矛盾的图景：总体上，宪法遵循、滥用鲁棒性、自发危险行为、幻觉和 sycophancy 多数指标有所改善；但模型在某些有害 system prompt、prefill 和欺骗性指令测试上出现轻微回退，绝对发生率虽低，仍不能忽略。

在代理安全评测中，Sonnet 5 对间接提示注入的鲁棒性提升明显。针对 Claude Code 的网络安全测试，它更可靠地拒绝恶意请求，但对双用途和良性请求的过度拒绝也略有增加。更广义的“wet blanket”行为，也就是以过度劝阻、冷淡或道德化的方式回应用户，比 Sonnet 4.6 略高。降低迎合与保持温暖、不过度拒绝之间仍存在权衡。

另一个值得关注的发现是 evaluation awareness。System card 称，Sonnet 5 在较真实的错位和滥用评测中，明确说出自己正在接受评估的比例影响了约 6% 的运行；内部表征也能较好地区分评测与真实内部使用记录。Anthropic 表示目前观察到的行为影响有限，但认为这一趋势需要持续监测。知道自己在考试的模型，可能在基准中表现得与真实部署不同。

Sonnet 5 没有推进 Anthropic 的整体能力前沿，危险网络安全能力也明显低于当前 Opus 和 Mythos 模型。在 Firefox 147 漏洞利用测试中，Sonnet 4.6 和 Sonnet 5 都没有生成完整可用的攻击，完整成功率均为 0.0%，但 Sonnet 5 的部分成功率略高。Anthropic 因此为它默认启用了实时网络安全防护，使其成为首个带这类防护的 Sonnet 档模型。

实际使用时会遇到的行为变化

除了能力和跑分，Sonnet 5 还有几项会直接改变使用体验的限制。非默认的 temperature、top_p 或 top_k 会返回 400 错误，风格和多样性需要更多依靠 system prompt 与示例控制。手动 budget_tokens 已不再接受，assistant message prefilling 也不受支持。对依赖旧式采样或固定前缀的应用，这些不是简单替换模型名称就能忽略的差异。

它更字面地执行范围明确的指令，因此高质量任务描述变得更重要。一次性给出目标、约束、允许使用的工具、完成标准和输出格式，通常比在多轮对话中逐步补充零散要求更有利于自主完成，也可能减少重复探索。对于复杂任务，优先提高 effort，而不是用提示词反复要求“多思考”；对于简单任务，则应明确限制篇幅和工具使用，避免模型把开放空间理解为继续探索的邀请。

长上下文同样需要设计。把整个资料库塞进 1M 窗口并不等于模型会自动找到最重要的证据。文档分段、来源标识、检索顺序、上下文压缩和最终核验仍会决定结果。Sonnet 5 只是提供了更大的工作区和更强的执行者，并没有消除信息组织问题。

哪些任务适合 Sonnet 5，哪些任务未必适合

从现有证据看，Sonnet 5 最有吸引力的场景包括：需要多轮工具调用的编码代理；跨文件调试和代码库理解；带搜索与代码执行的研究；电脑操作；长文档、金融、法律和其他专业资料处理；以及希望接近旗舰能力、又无法为每个任务承担旗舰价格的工作负载。

它未必是所有任务的默认最优解。简单分类、短摘要、固定格式抽取和高并发问答，可能由更小模型或较低 effort 以更低成本完成。对最难的推理、对准确率极端敏感的任务，Opus 或其他旗舰模型仍可能更合适。需要减少网络安全防护限制的获批研究场景，Anthropic 自己也推荐 Opus 4.8。若产品高度依赖温暖对话、创意风格或严格稳定的短输出，则需要先验证 Sonnet 5 更冷、更字面和可能更冗长的默认表现。

合理的选择方法不是问“Sonnet 5 排名第几”，而是建立代表真实工作的任务集，在至少两个 effort 档重复运行，记录完整成功率、人工返工、总 Token、首 Token 延迟、总耗时、工具错误和输出一致性。模型选择最终是质量、时间、成本与风险的联合优化。

仍然未知和需要持续验证的部分

首先，大部分详细能力和安全结果仍由 Anthropic 运行或汇总。CursorBench、Artificial Analysis 等独立资料提供了补充，但没有独立复现全部 system card 结论。其次，许多高分来自 max effort、超长 Token 预算、上下文压缩和专用工具，不能直接视为默认 API 行为。

第三，评测本身仍在变化。Anthropic 在发布当天修正 BrowseComp 图表；OSWorld 分数受到缩放工具错误和单轮输出上限影响；CursorBench 也在 7 月升级到 3.2 并调整任务。模型没有变化时，框架和方法也足以让分数明显移动。

第四，新 tokenizer、默认 thinking 和更强工具倾向会怎样影响不同语言、不同代码库和不同任务长度，目前没有一个统一答案。促销价将在 2026-08-31 后结束，届时相同工作负载的经济性也会变化。最后，1M 上下文、128k 输出和更长代理轨迹提高了能力上限，同时也放大超时、错误累积、错误工具操作和难以审计的问题。

结论

Claude Sonnet 5 最值得关注的地方，不是它在某张排行榜上超过了谁，而是代理能力正在从昂贵旗舰变成中档模型的基本卖点。它比 Sonnet 4.6 更能持续编码、搜索、操作工具和处理专业任务；effort 与 adaptive thinking 又让同一模型覆盖从快速回答到长时间自主执行的多种工作方式。

但这种能力不是免费的。新 tokenizer 让同样文本占用更多 Token，高 effort 可能形成更长轨迹，独立评测也显示它可以用很高的 Token 消耗换取更强结果。安全方面多数指标改善，同时仍存在过度拒绝、较冷语气、评测意识和特定行为回退。

因此，对 Sonnet 5 最准确的判断不是“更便宜的 Opus”，也不是“更贵的 Sonnet 4.6”，而是一种新的中档代理模型：能力上限明显提高，控制旋钮更多，最终价值更依赖任务设计和实测。对任何准备采用它的人来说，最重要的指标仍然是完整任务的成功率、返工量、总时间和总成本。