Vellum 深度拆解 Anthropic 官方及第三方数据表明：Sonnet 5 在终端控制（80.4%）和知识工作（1,618 分）上甚至超越旗舰 Opus 4.8，但在高 effort 和新 Tokenizer 下单位任务 Token 膨胀明显，选型需结合实际任务成本。
涵盖基准：SWE-Bench Pro（编码）、Terminal-Bench 2.1（终端交互）、Humanity's Last Exam / HLE（极限推理）、OSWorld-Verified（电脑操作）、GDPval-AA v2（专业知识工作）、BrowseComp（Agentic 搜索）。
对照模型：Claude Sonnet 5 vs Claude Sonnet 4.6 vs Claude Opus 4.8。
发布语境：分析 Anthropic 正式发布的数据与系统卡（System Card）技术细节。
官方 System Card 披露的标准化评估协议（包含工具调用与无工具版本）。
考虑自适应思考不同 effort 档位（low, medium, high, xhigh）下的成本-性能曲线。
| 评测基准 | Claude Sonnet 4.6 | Claude Sonnet 5 | Claude Opus 4.8 | 结果特征与解读 |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 67.0% | 80.4% | 74.6% | 超越 Opus 4.8 (高 5.8%)，较 4.6 跃升 13.4% |
| GDPval-AA v2 (知识工作) | - | 1,618 | 1,615 | 知识工作与分析产出基本与 Opus 4.8 持平甚至略高 |
| Humanity's Last Exam (带工具) | 46.8% (修正基线) | 57.4% | 57.9% | 逼近 Opus 4.8，较 Sonnet 4.6 提升 10.6% |
| OSWorld-Verified (电脑操作) | 78.5% (修正基线) | 81.2% | 83.4% | 紧咬 Opus 4.8，提供更具性价比的图形界面自动化 |
| SWE-Bench Pro (代码工程) | 基准 | +5.0% | +11.0% | 介于 4.6 与 4.8 之间，差距缩小 |
| Firefox 147 Exploit (安全漏洞) | 0.0% (部分控制较低) | 0.0% (13.2% 部分控制) | 具备更高利用率 | 官方确认未专门训练网络安全利用，危险能力受控 |
Sonnet 5 彻底打破了“中档模型全面落后于旗舰”的固有格局，在终端操作、工具调用与日常知识工作任务中成为更具性价比的首选。但在选型决策时不能只看单 Token 标价，因为更新后的 Tokenizer 会产生 1.0–1.35x 的 Token 膨胀，且在 xhigh effort 下思考 Token 消耗激增，因此最甜点的使用区间是 low/medium effort。
HLE 与 OSWorld-Verified 评测中 Anthropic 修正了 Sonnet 4.6 的历史基线，历史对比需注意口径一致性。
Token 膨胀效应使得长文本输入时的实际美元成本高于旧版 Sonnet 4.6。
在统一评测脚手架上配置统一的超时、最大 Token 与工具权限。
分别使用 claude-sonnet-5、claude-sonnet-4-6、claude-opus-4-8 执行 Terminal-Bench 任务集。
统计每个任务的真实输入字符数、对应 Token 数、思考 Token 占比及执行成功率。
核心跑分：Terminal-Bench 2.1 达到 80.4%，GDPval-AA v2 达到 1,618 分。
Tokenizer 机制：Sonnet 5 采用更新后的 Tokenizer，同一段文本在 Sonnet 5 中被切分为 1.0 至 1.35 倍的 Token。
成本边界：在 low 和 medium effort 下，Sonnet 5 在同等准确率下每任务成本明显低于 Opus 4.8；在 xhigh effort 下由于思考 Token 大量燃烧，每任务成本可能逼近甚至超过 Opus 4.8。
来源分析：“Sonnet 5 doesn't close the gap to Opus 4.8 on terminal work. It moves past it... the first benchmark where the mid-tier model beats the flagship on the same harness.”
来源成本总结：“Sonnet 5 uses an updated tokenizer that maps the same input to 1.0–1.35x more tokens... Best value at low/medium effort; at xhigh it can cost more than Opus 4.8 for similar quality.”
Claude Sonnet 5
