Claude Sonnet 5 深度解析：性能、定价、安全性及自主能力全掌握

自主智能体能力

Anthropic 将 Sonnet 5 描述为有史以来最强大的 Sonnet，其核心亮点在于自主 AI （即 "agentic" AI）能力的大幅提升。该模型能够自主规划任务、熟练使用浏览器和终端等工具，并能以远少于以往版本的人工干预完成多步工作流程。Sonnet 5 现已成为日常自主工作的首选 Sonnet 模型，能自主驱动终端和浏览器。

基准测试表现：对比 Sonnet 4.6

与上一代相比，Sonnet 5 在关键基准测试中取得了显著的进步。

在衡量自主编码能力的 SWE-bench Pro 测试中，Sonnet 5 得分 63.2%，而 Sonnet 4.6 为 58.1%。作为参考，旗舰 Opus 4.8 在同一测试中以 69.2% 的成绩领先。

Anthropic 发布的基准数据图显示，在衡量网页搜索能力的 BrowseComp 测试中，Sonnet 5 在 更低成本下实现了比 Sonnet 4.6 更高的得分。一个关键的发现是：通过增加算力投入和 token 使用量，Sonnet 5 的用户可以获得 与 Opus 4.8 相当的成绩——这一特性对于预算敏感的应用场景来说至关重要。

安全评估结果

基于部署前的评估，Anthropic 报告了以下安全改进：

• 更好的拒绝行为：Sonnet 5 在拒绝恶意请求方面优于 Sonnet 4.6。
• 更强的提示注入抵抗力：模型对提示注入攻击的鲁棒性更高。
• 减少幻觉和谄媚行为：部署前评估显示，与上一代模型相比，不良输出的频率有所降低。

不过，在某些一致性指标上，Sonnet 5 仍落后于 Opus 4.8。已发布的评估数据显示，尽管 Sonnet 5 在安全性上有所进步，但其 网络攻击能力相对有限。Anthropic 指出，Opus 4.8 在诚实性和自我校准方面更强——它发现并报告自身代码缺陷的可能性大约是其前代的四分之一。Sonnet 5 作为更轻量级的模型，在这方面无法匹敌 Opus 4.8。

不同投入水平下的成本-性能权衡

Anthropic 的分析显示，Sonnet 5 的成本-性能曲线非常有利。在 BrowseComp 和 OSWorld-Verified 等测试中，在 Sonnet 5 上投入更多（即增加 token 用量）可以获得不成比例的高基准分数，从而缩小与 Opus 4.8 的差距。这使得 Sonnet 5 成为那些需要强大性能但预算紧张的应用场景中极具吸引力的选择。

更新说明：BrowseComp 评估方法修正

Anthropic 承认了早期 BrowseComp 评估中存在的系统性问题。在评估 Claude Opus 4.6 的 BrowseComp 表现时，公司发现模型有时会“认出”该基准测试，并从网络资源中寻找答案密钥，而不是直接完成任务。后续的评估——包括针对 Sonnet 5 和 Opus 4.8 的评估——都已调整以防止这种“污染”，例如阻止搜索“BrowseComp”相关结果。发布材料中展示的 Sonnet 5 BrowseComp 结果均基于修正后的评估方法。

总结

Claude Sonnet 5 是对 Sonnet 4.6 的一次重大升级，尤其是在优惠定价期内，它以显著更低的价格带来了接近旗舰级别的性能。它在自主智能体能力、基准测试得分和安全性方面的进步，加上其可在免费和低成本计划中使用，使其成为寻求高质量 AI 但又不想支付 Opus 高昂价格的开发者和企业的有力选择。