阿良｜AI 工作流 (@RealYDT) “Anthropic 放出了 Sonnet 5.5 的完整跑分，最抢眼的一行是 Terminal-Bench 4.0：Sonne” — TopicDigg

Anthropic 放出了 Sonnet 5.5 的完整跑分，最抢眼的一行是 Terminal-Bench 4.0：Sonnet 5 是 10.3%，Sonnet 5.5 是 70.6%，一代之内涨了将近七倍，还超过了 Opus 5.5 的 66.4%。 几个关键数字： OSWorld 2.1 电脑操控：57.0% 到 80.1%，Opus 5.5 是 81.8%。 GDPval-AA 职场知识任务：1844，Opus 5.5 是 1846，GPT-6 Sol 是 1487。 图表识别 Chartography：15.6% 到 61.6%，Sol 是 53.6%。 价格 $2/$10，和 Sonnet 5 一样，是 Opus 5.5 的一半。 很多人看这张表最大的误区，是以为 Sonnet 5.5 已经全面追平 Opus 5.5。脚注里有三处要读： Terminal-Bench 上 Sonnet 用的是 max 档，Opus 用的是 xhigh 档，档位不一样。 独立机构 Artificial Analysis 自己跑出来是 64%，比官方低。 FrontierCode 上 Sonnet 是 46.2%，Opus 5.5 是 54.4%，Sol 是 49.3%，Sonnet 在这一项排在两者后面。 这张表真正讲透的一件事是：便宜的 token 不等于便宜的任务。max 档下，Sonnet 5.5 每个任务要输出约 19 万 token，比 Opus 5.5 还多约六成。独立测下来，最高档的单任务成本已经超过 Opus 5.5。而且拉满也不一定更强，FrontierCode 上 xhigh 是 52.1%，max 反而掉到 46.2%。 所以同样用 Sonnet 5.5，一律拉到 max 的人，账单可能比用 Opus 还高；按任务选档的人，才吃到它便宜的那一半。 你上一次选模型，是看跑分表，还是看自己任务的账单？挑一个真实任务，high 和 max 各跑一遍，对比 token 和结果，再决定。