AREX Feed Article
Artificial Analysis 独立评测 Claude Sonnet 5.5：智能指数 56 位列第二，max 档每任务成本比 Sonnet 5 高约 50%
9 月 28 日，独立评测机构 Artificial Analysis（以下简称 AA）公布了对 Claude Sonnet 5.5 的评测结果：在该机构的 Intelligence Index 上，Sonnet 5.5 在最高推理强度档位（max effort）得 56 分、位列第二，落后 Opus 5.5（max）2 分；但这一档位下每个任务平均输出约 193,000 个 token，平均成本 7.60 美元，比 Sonnet 5 的每任务成本高约 50%（）。
Sonnet 5.5 是 Claude 5.5 家族的第二个模型，于 9 月 28 日发布（），发布当天即在 Amazon Web Services、Google Cloud 和 Microsoft Azure 上线；Anthropic 称其输出速度比 Sonnet 5 快 30% 以上，在自家测试中多数工作的每任务成本最多低 30%（）。
独立跑分：Agentic 任务反超 Opus 5.5，知识类评测仍落后
AA 的评测文章给出更多细节：Sonnet 5.5（max）在 Intelligence Index 上比 Sonnet 5（max）高 18 分，在 Terminal-Bench-Science 上得 53%，仅次于 GPT-6 Astra 与 Opus 5.5（）。
Agentic（智能体）终端任务是反超 Opus 5.5 最明显的一类：Terminal-Bench 4.0 上，AA 测得 Sonnet 5.5 为 64%，高于其同环境下的 Opus 5.5 与 GPT-6 Astra（均为 60%）；Anthropic 自评的同一项分数更高，Sonnet 5.5 为 70.6%、Opus 5.5 为 66.4%。两家在各自设置下都得出同一结论：这项测试上 Sonnet 5.5 高于 Opus 5.5。
在知识工作类基准上，Sonnet 5.5 与 Opus 5.5 接近：AA-Briefcase 1,811 对 1,822 Elo、GDPval-AA 1,844 对 1,846 Elo、AutomationBench-AA 71% 对 70%。AA 指出，Sonnet 5.5 达到这一水平用了明显更多的 token。
知识类则是短板：AA-Omniscience 的事实准确率 54%，Opus 5.5 为 66%（Sonnet 5.5 的幻觉率更低，47% 对 59%）；Humanity's Last Exam 与 SciCode 上落后约 6 分。
单价没变：输出 token 用量推高了每任务成本
Sonnet 5.5 的 token 单价与 Sonnet 5 相同：输入每百万 token 2 美元、输出每百万 token 10 美元，缓存读取 0.20 美元、缓存写入 2.50 美元。变化出在用量上：AA 测得 max 档每个 Intelligence Index 任务平均输出约 193,000 个 token，是它测量过的最高值，比 Opus 5.5（max）和 Sonnet 5（max）都高出约 60%，约为 GPT-6 Astra（max）的 7 倍。
这个用量推高了每任务成本：7.60 美元，比 Sonnet 5（max）的 5.09 美元高约 50%。整套 Intelligence Index 评测中，Sonnet 5.5（max）共生成约 4.1 亿个输出 token，同价位推理模型的中位数约为 8,800 万（、）。
Anthropic 官方的说法则是：Sonnet 5.5 完成同样的工作通常需要更少的 token，因此更便宜。VentureBeat 报道称，官方把成本下降主要归因于更少的 token 和更少的工具调用（tool calls），而不是单价下调；该媒体还称已向 Anthropic 询问速度提升的具体测量方式，会在收到回复后更新（）。
AA 对这项定价的整体评价是：Sonnet 5.5 落在「智能对每任务成本」的 Pareto 前沿（最优权衡边界）之外；最竞争力的 high 档在智能上略微落后于 GPT-6 Sol、每任务成本几乎相同；更低档位上，GPT-6 Astra 或 Sol 能用更低成本达到等效性能。
成本随 effort 档位拉开：low 档 0.41 美元，默认 high 档 1.08 美元
AA 给出了五个 effort 档位的分档数据，每项为 Intelligence Index 分数与每任务成本：low 36 分、0.41 美元；medium 41 分、0.59 美元；high 47 分、1.08 美元；xhigh 52 分、2.74 美元；max 56 分、7.60 美元。最高档与最低档的每任务成本相差最多约 18 倍（）。
Anthropic 的默认设置为：Claude API 与 Claude Platform 默认 high，Claude Code 和消费端应用默认 medium；其开发者指南建议从 high 起步、按工作负载评估后调整，若要用 xhigh 或 max，要考虑到模型会思考更久、花费更高，有些任务上会失去 Sonnet 系列质量、速度与成本的平衡，此时可以考虑 Opus 5.5（）。
在默认的 high 档，AA 记录的每任务成本为 1.08 美元（）。官方说「多数工作最多低 30%」，该数字出自 Anthropic 自家测试；AA 的每任务成本数据，则对应其 Intelligence Index 上 max 档的平均值。
跑在发布前版本上：结构化输出 bug、0.1% 回退与待重跑
AA 说明这批评测跑在 Sonnet 5.5 的发布前部署上。Anthropic 发现该部署有一个可能降低「结构化输出」类请求质量的 bug；公开版本已修复，Anthropic 预计影响很小，当前分数甚至可能略被低估。Anthropic 的发布页脚注也确认，AA 的 GDPval-AA 与 AA-Briefcase 正是在发布前部署上运行的（）。
评测还启用了 Anthropic 的默认回退（fallback）：在五个 effort 档上，AA 观察到整个 Intelligence Index 中约 0.1% 的任务发生回退，主要集中在 Terminal-Bench 4.0，且全部回退到 Sonnet 5。
Anthropic 在发布说明中交代了回退机制：官方称 Sonnet 5.5 的网络安全能力与 Opus 5 相当，是首个搭载与最强模型类似的网络安全保障和回退的 Sonnet 模型；常规软件开发不受影响，更高风险的网络安全请求会明显回退到 Sonnet 5。
AA 表示将尽快重跑相关评测；VentureBeat 则表示会在收到 Anthropic 对「快 30% 以上」测量方式的回复后更新。