Claude Sonnet 4.6 官方发布：编码、电脑使用与 Agent 基准

一句话结论

Anthropic 的发布数据把 Sonnet 4.6 定位为较低成本的 Opus 级候选：SWE-bench、OSWorld、OfficeQA、金融 Agent 和长上下文表现强，但极深推理、复杂搜索和高难重构仍建议考虑 Opus 4.6。

测试环境

• 模型：Claude Sonnet 4.6，API 入口 claude-sonnet-4-6；1M token context window 为 beta。

• 价格：发布页写明起价 $3/$15 每百万输入/输出 token，与 Sonnet 4.5 相同。

• 基准/工作流：SWE-bench Verified、OSWorld-Verified、Vending-Bench Arena、OfficeQA、Finance Agent v1.1、GDPval-AA、Claude Code 用户偏好；不同指标的 harness 不同。

• 版本边界：Anthropic 特别说明 Sonnet 4.5 之前用原 OSWorld，Sonnet 4.5 起用 OSWorld-Verified，不能直接跨版本横比。

输入/配置

发布页未公开所有 benchmark 的完整 prompt、采样参数、重复次数和逐题轨迹。Claude Code 用户偏好来自早期测试；Vending-Bench Arena 是模拟经营长期任务；OSWorld-Verified 使用模拟计算机、鼠标键盘和真实软件场景。

结果数据

• Claude Code 中用户约 70% 的时间偏好 Sonnet 4.6 胜过 Sonnet 4.5；相对 Opus 4.5 用户偏好约 59%。

• Sonnet 4.6 在发布页引用的数据中与 Opus 4.6 匹配 OfficeQA；Anthropic 称其在 Vending-Bench Arena 先重投能力、后转向盈利并领先完成。

• Anthropic 的客户/合作方反馈称，Box 在重推理问答中较 Sonnet 4.5 提升 15 个百分点；某保险 benchmark 达 94%，但这些案例没有统一公开完整方法。

• 发布页称 Sonnet 4.6 在计算机使用上较上一代明显提升，并在多标签表格和多步骤表单中接近人类级体验；同时承认仍落后于熟练人类。

结论

Sonnet 4.6 适合把大量常规编码、浏览器/桌面自动化、企业文档和金融分析任务从 Opus 下放到更便宜的默认路由；对深层重构、多 Agent 协调、复杂 agentic search，应做 Sonnet/Opus 路由 eval。

局限

• 官方自报，许多结果依赖 Anthropic 自有 scaffold、早期用户偏好或客户案例；未公开完整原始数据和方差。

• 79.6% SWE、72.5% OSWorld 等常见数字应以系统卡/发布页对应配置核对，不可把所有 benchmark 结果混为一张榜。

• 1M context 为 beta，且长上下文价格/平台限制可能不同。

• 电脑使用面对 prompt injection 等风险；发布页只说明安全评估改进，生产部署仍需隔离、权限和网页内容不可信处理。

复现步骤

1. 固定 claude-sonnet-4-6 snapshot、effort、thinking、工具权限和上下文窗口配置。

2. 对真实代码 issue、浏览器表单、企业 PDF/表格和金融分析建立同一任务集，保存所有工具轨迹。

3. 分别跑 Sonnet 4.6 与 Opus 4.6，报告正确率、resolved、工具调用、延迟、token、成本和 prompt injection 失败。

4. 将官方数字作为基线而不是复现结果，说明自己的 harness 与 Anthropic harness 的差异。