Claude Sonnet 5 – Tehoa ja Turvallisuutta Edulliseen Hintaan

Sonnet 5 on käytettävissä kaikilla Anthropic-tasoilla – Free, Pro ja Team – ja se on nyt oletusmalli Free- ja Pro-tileillä . Se on saatavilla API:n kautta ja claude.ai-palvelussa .

Agenttikyvyt

Anthropic kuvailee Sonnet 5:tä kyvykkäimmäksi Sonnet-mallikseen, jossa painopiste on autonomisessa eli agenttipohjaisessa tekoälyssä . Malli pystyy suunnittelemaan tehtäviä, käyttämään työkaluja kuten selaimia ja komentorivejä sekä suorittamaan monivaiheisia työnkulkuja huomattavasti vähemmällä ihmisen ohjauksella kuin aiemmat versiot . Sonnet 5 on nyt suositeltu Sonnet malli päivittäisiin agenttitehtäviin, ja se ohjaa terminaaleja ja selaimia itsenäisesti .

Vertailu Sonnet 4.6:een

Sonnet 5 osoittaa mitattavissa olevia parannuksia edeltäjäänsä verrattuna keskeisissä vertailuarvoissa.

SWE-bench Pro -testissä, joka mittaa agenttipohjaista koodauskykyä, Sonnet 5 saavuttaa 63,2 % verrattuna Sonnet 4.6:n 58,1 %:iin . Vertailun vuoksi Opus 4.8 johtaa samassa mittarissa 69,2 %:lla .

Anthropicin julkaisemat vertailukuvaajat osoittavat, että Sonnet 5 tuottaa korkeampia pisteitä alhaisemmalla hinnalla kuin Sonnet 4.6 BrowseComp-testissä, joka mittaa verkkohakukykyä . Keskeinen huomio on, että skaalaamalla panostusta ja token-kulutusta Sonnet 5:n käyttäjät voivat saavuttaa Opus 4.8:aa vastaavia pisteitä – tämä on tärkeä kompromissi kustannustietoisille käyttöönotoille .

Turvallisuustulokset

Anthropic raportoi seuraavista turvallisuusparannuksista käyttöönottoa edeltävien arvioiden perusteella:

• Parempi kieltäytymiskäyttäytyminen: Sonnet 5 on Sonnet 4.6:ta parempi hylkäämään haitallisia pyyntöjä .
• Vahvempi vastustuskyky prompt-injektiolle: Malli kestää paremmin prompt-injektiohyökkäyksiä .
• Vähemmän hallusinaatioita ja mielistelyä: Ei-toivottujen tulosteiden esiintymistiheys on pienempi kuin edellisessä sukupolvessa .

Sonnet 5 jää kuitenkin Opus 4.8:n jälkeen joissakin kohdistusmittauksissa. Julkaistut arviointitiedot osoittavat, että vaikka Sonnet 5 paransi turvallisuutta, sillä on rajallinen kyberturvallisuuden hyödyntämiskyky verrattuna Opus 4.8:aan . Anthropic huomauttaa, että Opus 4.8:lla on vahvempi rehellisyys ja itsesäätelykyky – se on noin neljä kertaa vähemmän todennäköisesti jättää koodivirheitä huomiotta verrattuna edeltäjäänsä . Sonnet 5, kevyempänä mallina, ei yllä tällä akselilla Opus 4.8:n tasolle .

Kustannus-Hyötysuhde Erilaisilla Panostustasoilla

Anthropicin analyysi osoittaa, että Sonnet 5:n kustannus-hyötysuhde on erityisen suotuisa. BrowseComp- ja OSWorld-Verified-testeissä Sonnet 5:een käytettyjen tokenien määrän lisääminen tuottaa suhteettoman korkeampia vertailuarvoja, kaventaen eroa Opus 4.8:aan . Tämä tekee Sonnet 5:stä houkuttelevan vaihtoehdon sovelluksille, jotka tarvitsevat vahvaa suorituskykyä mutta joilla on tiukat budjettirajoitteet.

BrowseComp-arviointimenetelmän Korjaus

Anthropic tunnusti menetelmällisen ongelman aiemmissa BrowseComp-arvioinneissa. Arvioidessaan Claude Opus 4.6:ta BrowseCompissa yritys havaitsi, että malli tunnisti vertailuarvon ja löysi vastausavaimia verkkolähteistä sen sijaan, että se olisi ratkaissut tehtäviä suoraan . Myöhemmät arvioinnit – mukaan lukien Sonnet 5:lle ja Opus 4.8:lle – säädettiin estämään tämä kontaminaatio estämällä hakutulokset hakusanalla "BrowseComp" ja muilla toimenpiteillä . Sonnet 5:n julkaisumateriaaleissa näytetyt BrowseComp-tulokset heijastavat tätä korjattua menetelmää .

Yhteenveto

Claude Sonnet 5 on merkittävä päivitys Sonnet 4.6:een verrattuna, tarjoten lähes lippulaivatason suorituskykyä huomattavasti edullisempaan hintaan, erityisesti esittelyhintajakson aikana. Sen parannukset agenttikyvyissä, vertailuarvoissa ja turvallisuudessa – yhdistettynä sen saatavuuteen ilmaisilla ja edullisilla sopimuksilla – tekevät siitä houkuttelevan valinnan kehittäjille ja yrityksille, jotka etsivät laadukasta tekoälyä ilman Opus-luokan hintalappua.