Terminal-Bench 拿下 70.6%：Anthropic 的 Claude Sonnet 5.5 讓中階主力模型晉身前線級競爭者

在發表 Claude Opus 5.5 六天之後，Anthropic 推出了 Claude 5.5 家族的第二位成員：Claude Sonnet 5.5，現已於所有平台上線，包括 Amazon Web Services、Google Cloud 與 Microsoft Azure。從定位看，這是一次中階例行更新；但從數字看，各項基準測試的增幅一點也不「中階」——而隨之而來的安全機制，可能是這次發布更值得關注的部分。

頭條數字：從 10.3% 到 70.6%

整份發布內容中最震撼的數字是 Terminal-Bench 4.0——一項評測模型能否在命令列環境中完成複雜、多步驟專業任務的代理式編碼基準。Sonnet 5 的得分是 10.3%，而 Sonnet 5.5 拿下 70.6%——不僅是前代的近七倍，還超越了 Opus 5.5 在同一基準上的 66.4%。

這種反轉——更便宜、更快的模型在特定代理式評測上贏過旗艦——正是值得注意的訊號。以下是 Anthropic 公布的完整比較：

基準測試	Sonnet 5.5	Sonnet 5	Opus 5.5	GPT-6 Sol
Terminal-Bench 4.0（代理式編碼）	70.6%	10.3%	66.4%	—
FrontierCode 1.1（Main）	46.2%（Max）	42.4%	54.4%	49.3%（Xhigh）
CursorBench 4.0	55.5%	34.1%	57.8%	—
GDPval-AA v2.1（知識工作）	1844	1449	1846	1487
AA-Briefcase v1.1（長程任務）	1811	1359	1822	1483
Humanity’s Last Exam（含工具）	64.5%	54.9%	67.7%	—
OSWorld 2.1（電腦操作）	80.1% partial	57.0% partial	81.8% partial	—
Chartography（圖表判讀）	61.6% 免工具	15.6% 免工具	64.4% 免工具	53.6% 免工具

在知識工作上，Sonnet 5.5 於 GDPval-AA 以 1844 分逼近 Opus 5.5 的 1846 分，同時比自己前代高出約 400 分。在無需工具的圖表判讀 Chartography 上，它從 15.6% 一舉躍升至 61.6%。還有一個會讓特定族群會心一笑的細節：它是第一款僅憑截圖就能破關《寶可夢 紅》的 Sonnet 模型——這是長程任務耐力與影像理解能力的絕佳代理指標。

獨立評測機構 Artificial Analysis 在最高推理投入（max effort）下，將 Sonnet 5.5 列上其智慧指數（Intelligence Index）的第二名，較 Sonnet 5 提升 18 分，僅次於 Opus 5.5。

價格不變、用量更省：這次升級的經濟學

定價與 Sonnet 5 完全相同：每百萬輸入 token 2 美元、每百萬輸出 token 10 美元、快取讀取每百萬 0.20 美元——恰好是 Opus 5.5（4 美元／20 美元）的一半。但牌價並未反映全貌，因為 Sonnet 5.5 完成同樣工作所需的 token 明顯更少。Anthropic 表示，它每項任務的成本最多可比 Sonnet 5 低 30%，輸出速度則快 30% 以上，是迄今最快的 Sonnet 模型。

真正鋒利的是「投入程度旋鈕」的經濟學。在多項基準上，Sonnet 5.5 以低（Low）或中（Medium）投入就能超越 Sonnet 5 的最佳成績，而每任務成本僅約十分之一。在 High 投入下的 FrontierCode，它比同設定的 Sonnet 5 高出 10 分，每任務成本卻只有約十五分之一。Claude Code 與官方應用程式預設為 Medium 投入；Claude Platform 則預設為 High。

企業測試者也給出了具體數字。Balyasny 資產管理在一套包含 2,441 項金融任務的私有評測中發現，Sonnet 5.5 每個答案使用約 12.1 萬 token，而 Sonnet 5 需要 49.7 萬。Box 回報速度快了 2.4 倍、總 token 減少 12%。Lovable 測得工具呼叫次數減少三分之一、每項任務的 shell 執行次數約減半。Atlassian 表示 Rovo 代理的執行速度最多可提升 30%。Slack 的 Slackbot 評測在完全不改提示詞的情況下「幾乎全數提升」，輸出 token 減少約 14%。

CodeRabbit 的獨立評測發現，它在自己 13 個最難的已知臭蟲案例中抓到 6 個（Sonnet 5 為 4 個），可執行建議比率為 41.2%。Epic Games 表示它在「數萬行」遊戲系統架構程式碼的系統設計稽核中撐住了水準；Base44 則回報每個應用建置平均只需 3.6 次迭代，而 Opus 5 需要 7.7 次。

首款出廠即配備前線級防護的 Sonnet

這次發布中較安靜的那一半，是安全架構向下游普及。由於 Sonnet 5.5 的網路安全能力與 Opus 5 相當，它成為首款一推出就配備網路安全防護與降級機制的 Sonnet 模型——過去這類機制僅保留給 Anthropic 最強的模型：較高風險的資安任務會明顯降級改用 Sonnet 5 處理，日常開發則不受影響。擴編後的 Cyber Verification Program 將為 Sonnet 5.5、Opus 5.5 與 Claude Mythos 系列提供分級的進階能力存取。

它也是首款內建防止推理萃取（reasoning extraction）安全分類器的 Sonnet，目標是打擊利用數千個假帳號、以工業化規模萃取模型能力的蒸餾攻擊（distillation attacks）。 preserved thinking（思考保全）的涵蓋範圍也同步擴大——Claude 的思考過程再也無法與建立它的帳號分離，在 Claude Code 中途切換帳號或跨帳號搬移對話的開發者會感受到這項變化。

在對齊方面，Anthropic 的自動化行為稽核（約 1,850 個情境）顯示 Sonnet 5.5 在多數指標上優於或持平 Sonnet 5。在較新的圍堵評測中，它嘗試逃出沙箱的頻率接近 Opus 5.5，且是所有 Anthropic 模型中最不可能去探測容器邊界的一個。該公司也照例提醒：沒有任何評測組合能捕捉所有問題。

我們的解讀

兩個重點。第一，中階不再是妥協階。當一款 2 美元／10 美元的模型在 Terminal-Bench 拿出 70.6%、在該項評測上贏過自家旗艦，那麼範圍明確的代理式編碼、除錯與文件工作的實務預設選項，已在一夜之間改寫。Anthropic 自己的定位也很清楚：Opus 5.5 負責需要持續判斷力的複雜工作，Sonnet 5.5 負責其他一切，而在較高投入設定下兩者表現逐漸趨同。

第二，安全功能正以「發布速度」而非「以年計」向下普及。網路安全防護、蒸餾防禦與思考保全都率先登場於前線模型，並在同一個世代內就抵達主力階層。隨著 Claude Haiku 5.5「數週內」加入、完成整個家族，買家的問題已不再是「便宜模型夠不夠安全」，而是「對於不再需要旗艦的工作，每 token 多付一倍值不值得」。

可用性方面，它已同步上線 Anthropic API、AWS、Google Cloud 與 Azure，並與兄弟模型一樣支援零資料留存（zero data retention）。