Claude Sonnet 5.5 在 Artificial Analysis 的 Intelligence Index 中拿下 56 分，较上一代 Sonnet 5 实现了 18 分的跃升，与 Opus 5.5（max）仅有 2 分之差。

但 AA 在评测中认为，这一性能飞跃伴随着前所未有的算力开销，其单任务输出 Token 量创下了该机构有评测记录以来的历史最高纪录。

由于模型在执行单任务时的吐字与思考量显著膨胀，其实际单任务调用成本飙升至 7.60 美元，较 Sonnet 5 暴涨了约 50%。

Artificial Analysis 的其他核心洞察如下：

- 在考验 AI Agent 终端命令行操控能力的权威测试 Terminal-Bench 4.0 中，Claude Sonnet 5.5 取得了 64% 的优异表现，反超了同为 60% 的 Opus 5.5 与 GPT-6 Astra。

- 在面向专业知识与职场任务的综合评测中，无论是基于 Elo 积分的职场知识评测 AA-Briefcase（1811 分 vs 1822 分）、评估宏观生产力价值的 GDPval-AA（1844 分 vs 1846 分），还是自动化任务基准 AutomationBench-AA（综合基准得分 71% vs 70%），Sonnet 5.5 均展现出了与旗舰 Opus 5.5 分庭抗礼的实力。不过，拉平这一代差的代价是远高于后者的 Token 消耗。

- 在最高推理强度下，Claude Sonnet 5.5 完成单个智能指数任务平均耗费约 19.3 万个输出 Token。这一规模不仅刷新了该机构测得的历史最高纪录，比同为顶配模式的 Opus 5.5 或 Sonnet 5 高出约 60%，更是竞品 GPT-6 Astra（max）消耗量的近 7 倍。

- 尽管该模型的输入与输出名义单价与竞争对手 GPT-6 Sol 相当，但在“智能水平 vs 单任务实际成本”的权衡维度下，Claude Sonnet 5.5 已经脱离了帕累托前沿。在最高推理档位下，其综合能效逊于 Opus 5.5；而在较低档位下，GPT-6 Astra 与 Sol 的配置均能以更低成本交付同等性能。

- 相对而言，Claude Sonnet 5.5 中高档位的 high effort 最具市场竞争力 —— 在实际单任务支出基本持平的前提下，其综合智能表现仅以极微弱的差距次于 GPT-6 Sol。

- 受限于次旗舰级别的模型体量，Sonnet 5.5 在事实性知识基准 AA-Omniscience 中相较 Opus 5.5 仍有明显短板：其事实准确率为 54%（Opus 5.5 为 66%），但优势在于幻觉率更低（47% vs 59%）。

- 在旨在评估智能体跨领域执行真实科研全流程能力的 Terminal-Bench-Science 榜单中，该模型取得了 53% 的成绩，仅排在 GPT-6 Astra 与 Opus 5.5 之后。目前，该科研基准评测尚未纳入 Artificial Analysis 的综合智能指数体系。

- 在考察智能体终端操控能力的 Terminal-Bench 评测中，Claude Sonnet 5.5（max）实现了突破性飞跃，在通用终端评测 Terminal-Bench 4.0 与科研专项评测 Terminal-Bench-Science 两大榜单中均稳居第一梯队。

- 在 Terminal-Bench 4.0 中，Claude Sonnet 5.5 斩获 64% 的高分，较上一代 Sonnet 5（max）狂涨 50 个百分点，并以微弱优势压过了 Opus 5.5 与 GPT-6 Astra（xhigh 档，两者均为 60%）。

注：需要说明的是，上述评测基于 Claude Sonnet 5.5 的预发布测试版本完成Anthropic 随后证实该版本存在一处软件缺陷，导致模型在处理结构化输出请求时的性能出现异常劣化。

该问题已在正式公开发布的版本中得到修复，Anthropic 预计修复后对整体表现影响甚微。

#ClaudeSonnet5.5发布#