«70,6% против 10,3% на Terminal-Bench»: Anthropic выпустила Claude Sonnet 5.5 — на 30% быстрее и до 30% дешевле за задачу

Второй релиз семейства Claude 5.5, обещанный с сентября

Anthropic выпустила Claude Sonnet 5.5 — вторую модель семейства Claude 5.5. Её появление компания анонсировала ещё 22 сентября вместе с выходом Opus 5.5: тогда было сказано, что Claude Sonnet 5.5 и Claude Haiku 5.5 «выйдут в ближайшие недели со многими из тех же улучшений производительности, эффективности и безопасности».

Новинку компания описывает как «явное обновление» относительно Sonnet 5: вывод генерируется более чем на 30% быстрее, а стоимость типовой задачи падает до 30%.

Роли внутри семейства разделены. Opus 5.5 остаётся моделью для сложной работы, требующей аккуратного суждения; Sonnet 5.5 адресован хорошо очерченным повседневным задачам, исправлению багов и подготовке документов, презентаций и таблиц, а также, по формулировке Anthropic, отличается «острым глазом» на дизайн.

Claude Haiku 5.5, рассчитанная на массовые и чувствительные к цене приложения, присоединится к семейству в ближайшие недели — то есть линейка 5.5 к моменту публикации остаётся закрытой не полностью.

Бенчмарки: резкий скачок на терминале и отставание от Opus на открытых задачах

Самый резкий прирост — в агентном программировании. На Terminal-Bench 4.0, где модель выполняет многошаговые профессиональные задачи в командной строке, Sonnet 5.5 набирает 70,6% против 10,3% у Sonnet 5 и 66,4% у Opus 5.5, результат которого снят на самом высоком для него уровне усилий Xhigh. На Medium, уровне по умолчанию в приложениях Claude, Sonnet 5.5 превышает лучший результат Sonnet 5 менее чем за десятую часть стоимости задачи.

На CursorBench 4.0 — тесте на неоднозначных многoфайловых задачах из реальных сессий Cursor — лучший результат Sonnet 5.5 составляет 55,5% против 34,1% у Sonnet 5 и 57,8% у Opus 5.5. На FrontierCode 1.1 (main set), который проверяет, прошли бы изменения кода слияние, у Sonnet 5.5 46,2% на максимальном уровне усилий и 52,1% на Xhigh против 42,4% у Sonnet 5, 54,4% у Opus 5.5 и 49,3% у GPT-6 Sol.

В работе со знаниями разрыв с предыдущей Sonnet ещё больше. На GDPval-AA v2.1, где проверяется реальная работа по 44 профессиям, у Sonnet 5.5 1844 балла против 1449 у Sonnet 5, при 1846 у Opus 5.5 и 1487 у GPT-6 Sol; на AA-Briefcase v1.1 — 1811 против 1359 при 1822 и 1483 соответственно.

Остальные опубликованные значения: работа с компьютером в OSWorld 2.1 — 80,1% против 57,0% у Sonnet 5 и 81,8% у Opus 5.5; распознавание графиков Chartography без инструментов — 61,6% против 15,6% при 64,4% и 53,6%; Humanity's Last Exam с инструментами — 64,5% против 54,9% при 67,7%.

К цифрам приложена оговорка от самой компании: бенчмарки отражают лишь одну грань возможностей, и по собственным и внешним тестам Opus 5.5 остаётся заметно сильнее в сложной открытой работе, требующей устойчивого суждения.

Цена, скорость и неочевидная цена максимального уровня усилий

Прайс-лист не изменился относительно Sonnet 5: $2 за миллион входных токенов, $10 — за выходные, $0,20 — за чтение кэша и $2,50 — за запись кэша. У Opus 5.5 те же позиции стоят $4, $20, $0,20 и $5. Экономия появляется не за счёт скидки, а за счёт меньшего числа токенов на задачу.

Главный рычаг остаётся прежним — уровень усилий. В Claude Code и приложениях Claude по умолчанию стоит Medium, на Claude Platform — High: на низких уровнях модель отвечает быстрее и тратит меньше токенов, на высоких — дольше рассуждает и тщательнее проверяет работу.

Отдельно описана неочевидная деталь: на FrontierCode результат Sonnet 5.5 на уровне Max ниже, чем на Xhigh. Причина, по версии компании, в том, что на Max модель чаще запускала код-ревью Claude Code, разбивающее проверку на множество субагентов, и в двух случаях это привело к таймауту или к правкам вне рамок задачи, а FrontierCode наказывает за изменения вне области задачи, даже если они качественные и полезные.

Что говорят ранние тестировщики

Anthropic приводит отзывы партнёров, а не независимые замеры, и почти все они количественные. Base44 сообщает о 118 реальных сборках приложений: результат на уровне Opus 5, 3,6 итерации на сборку против 7,7 у Opus 5 и наименьшее число неудачных вызовов инструментов среди сравнимых моделей. Unity отмечает, что большинство работ Sonnet 5.5 прошло проверку в рантайме и модель закрыла 90% задач в их многошаговом бенчмарке редактора и кода.

Balyasny Asset Management прогнала модель по внутреннему набору из 2 441 финансовой задачи: Sonnet 5.5 впереди Sonnet 5 и тратит около 121 тыс. токенов на ответ против 497 тыс., а для массовых процессов даёт лучшее соотношение качества и цены среди семи протестированных моделей. Slack пишет, что без изменения промптов модель улучшила почти все офлайн-оценки Slackbot и использовала примерно на 14% меньше выходных токенов; Zendesk — что тикеты обрабатывались на 20% быстрее; Box — о 2,4-кратной скорости и на 12% меньшем расходе токенов; Atlassian — о Rovo Agents до 30% быстрее.

CodeRabbit формулирует качественное наблюдение: у Sonnet 5.5 «лучшее суждение, чем у Sonnet 5, при существенно меньшем числе выходных токенов», и пропали две претензии к предыдущей модели — слишком частое обращение к веб-поиску и высокий расход токенов. Epic Games отмечает, что модель выдержала аудит системного дизайна и проверку потоков данных, удержала десятки тысяч строк кода игровой архитектуры и работала на многочасовых задачах при менее подробных промптах.

Безопасность: фронтир не двигает, но защита — как у Opus

Компания прямо пишет, что Sonnet 5.5 не продвигает фронтир возможностей моделей, поэтому аудит выравнивания был сосредоточен на ограниченном наборе рисков, применимых к моделям любого уровня: действия против интересов пользователя, введение в заблуждение и содействие опасному использованию.

На автоматизированном аудите поведения примерно на 1 850 сценариев Sonnet 5.5 улучшает или повторяет Sonnet 5 по большинству метрик выравнивания, устойчивости к злоупотреблениям и честности. В новых тестах на удержание в песочнице модель уступает только Opus 5.5 и реже всех остальных моделей Anthropic пытается исследовать границы собственного контейнера; явных признаков стремления к целям, противоречащим намерениям пользователя, компания не нашла.

Практическая часть — предохранители. Кибервозможности Sonnet 5.5 заметно выросли относительно Sonnet 5, поэтому это первая Sonnet с такими же защитными механизмами, как у Opus 5.5: рутинная разработка и поиск багов не затрагиваются, но более рискованные киберзадачи видимо откатываются на Sonnet 5, а расширенная программа Cyber Verification Program даёт уровневый доступ к Sonnet 5.5, Opus 5.5 и моделям Claude Mythos. Биологические предохранители те же, что у Sonnet 5.

Ещё один новый слой — защита от дистилляции: Sonnet 5.5 стала первой Sonnet с классификаторами, предотвращающими извлечение рассуждений. Компания также расширила «сохранённое мышление», так что рассуждения модели нельзя отвязать от создавшего их аккаунта; для большинства разработчиков изменений не будет, но перенос разговоров между аккаунтами, включая смену аккаунта в Claude Code по ходу сессии, теперь описан отдельно.

Среди оговорок самого релиза — предрелизный дефект: Artificial Analysis запускала GDPval-AA и AA-Briefcase на предрелизной версии Sonnet 5.5 и нашла баг, который мог ухудшать ответы на запросы со структурированным выводом. Anthropic ожидает, что эффект на оценки мал и, если он есть, занижает результат, и сообщает, что баг уже исправлен.

Доступность и миграция

Sonnet 5.5 доступна на всех платформах, включая Amazon Web Services, Google Cloud и Microsoft Azure; идентификатор модели на Claude Platform — claude-sonnet-5-5. Как и Opus 5.5, её можно использовать с нулевым хранением данных.

Для тех, кто запускает Sonnet с выключенным режимом размышлений, описан шаг миграции: перед переходом на Sonnet 5.5 нужно переключиться на настройку between_tools, которая оставляет предварительные рассуждения выключенными.