Claude Sonnet 5.5 基准测试：官方数据、独立结果与真实含义

Claude Sonnet 5.5 在 Terminal-Bench 4.0 上得分 70.6%，在 CursorBench 4.0 上为 55.5%，在 max effort 的 FrontierCode 1.1 上为 46.2%（xhigh 下 52.1%），SWE-Bench Pro 为 81.3；相比之下 Sonnet 5 分别为 10.3%、34.1%、42.4% 和 63.2。Opus 5.5 在发布表格的大多数行上领先约 2 到 3 个百分点，但在 Terminal-Bench 上落后。Artificial Analysis 独立测得 Sonnet 5.5 在其智能指数上为 56，在 216 个中排第 3。

下面包括：完整的 Claude Sonnet 5.5 基准测试数据、由谁运行、effort 会带来什么变化，以及如何在 Apifox 中用你自己的流量测试该模型。规格请参见什么是 Claude Sonnet 5.5。

发布表格

Anthropic 的发布文章对比了四个模型（“n/r”代表空缺）。除非另有标注，Sonnet 5.5 的数据均为 max effort；API 默认为 high，Claude Code 和应用默认为 medium。

脚注用平实的话说：

1. Opus 5.5 的 Terminal-Bench 分数取自 xhigh，是它的最好成绩；在 max 下它得分 64.8%。
2. FrontierCode 会对范围外的编辑扣分。在 max 下，Sonnet 5.5 更频繁地运行 Claude Code 的代码评审技能，展开大量子代理；在 Cognition 检查的两个案例中，这导致了超时或范围外编辑。
3. Artificial Analysis 是在一个存在结构化输出 bug（现已修复）的预发布部署上运行这两项知识工作测试的。Anthropic 预计影响很小，如果有的话也是低估了 Sonnet 5.5。
4. OpenAI 最近修复了 GPT-6 Sol 的图像理解 bug，AA 和 Surge AI 的分数可能没有反映这一修复。

每项基准测试由谁运行

除非指明了第三方，否则所有测试均由 Anthropic 自己运行。跨厂商的行共享的只是基准名称，而不是同一套评测框架或 effort 设置。

回退影响了 Sonnet 5.5 Terminal-Bench 试验的 1.5%，但影响了 Opus 5.5 的 10%（系统卡§8.5），因此对 Sonnet 领先 4.2 个百分点的结论要谨慎看待。

系统卡补充内容

第 1 到第 6 行是系统卡中 max effort 的汇总。

Sonnet 5.5 在 HealthBench Professional、AutomationBench 和 Terminal-Bench-Science 上略胜 Opus 5.5；Opus 在 ProgramBench、SWE-Bench Pro 和无工具 HLE 上领先幅度最大。OSWorld 的 80.1% 头条数字是部分给分；只有 43.5% 的任务完全通过。

effort 会改变局面

发布图表，格式为分数（成本）。Terminal-Bench 的成本按每次尝试计，其他按每个任务计。两张图显示的是 GPT-5.6 Sol（*），因为 GPT-6 Sol 的数据未公布。

• 大部分收益在 xhigh 就已出现。Max 在 Terminal-Bench 上多拿 9.1 个百分点，成本是 2.4 倍；在 CursorBench 上多 2.4 个百分点，成本是 2.5 倍。
• FrontierCode 的 max 得分更低，成本却是 xhigh 的 13 倍（46.2%，$20.78 对 52.1%，$1.59）。
• 更低 effort 的 Opus 5.5 才是真正的对手。在 Terminal-Bench 上，Opus 在 medium 下拿到 57.6%，花费 $2.94；Sonnet 在 high 下拿到 43.0%，花费 $1.94。Opus 在 high 下（64.2%，$3.88）胜过 Sonnet 在 xhigh 下（61.5%，$5.30）。参见 Sonnet 5.5 对比 Opus 5.5。
• High 是 Sonnet 的成本甜蜜点。FrontierCode 在 high 下为 49.4%，花费 $0.42，与 GPT-6 Sol 的最好成绩（49.3%）持平，而成本约为其五分之一（价格明细）。

独立结果

Artificial Analysis 给 Sonnet 5.5 在 Intelligence Index v4.3.2 上打出 56 分，在 216 个中排第 3，仅落后于 max 和 xhigh 下的 Opus 5.5。Sonnet 5 得分为 38。运行该指数的成本：

Max 的成本是 high 的 7.6 倍，只多 9.2 分。OfficeChai 对 AA 的解读认为 Sonnet 5.5 不在帕累托前沿上，在 high 下最具成本竞争力，并统计出 max 下每个指数任务约 193,000 个输出 token。

• AA 自己的 Terminal-Bench 4.0 运行：63.6%，而 Anthropic 为 70.6%。
• Sonnet 5 的低分是真实的：AA 测得 14.1%（见 Sonnet 5 基准测试）。
• AA-Omniscience（据 OfficeChai）：准确率 54%，幻觉率 47%，而 Opus 5.5 分别为 66% 和 59%。
• 尚未测量：输出速度和首 token 时间，因此“快 30% 以上”仍只是 Anthropic 的说法。LMArena 上也还没有收录。

安全基准测试

提示词注入，依据系统卡：

• Gray Swan：在 k=1、10 和 15 时攻击成功率分别为 0.4%、2.7% 和 3.4%（Sonnet 5：0.7%、5.1%、6.7%）。GUI 计算机使用最弱，为 12.5%（k=15）。
• Shade，编码：无防护时为 3.01%，主要经由 Sonnet 5 的网络安全回退；Sonnet 5.5 自身在 5,901 次请求中有 4 次被攻破。
• 浏览器使用：110 个场景中没有一次攻击成功。

网络安全评测在关闭防护的情况下运行：CyScenarioBench 上为 46.1%（Sonnet 5：0.7%，Opus 5.5：67.6%）。它是首个带网络安全防护的 Sonnet，Anthropic 警告称即使在良性的安全任务上拒绝也会增多。请参阅我们的提示词注入指南。

运行你自己的评测

基准测试并不像你的真实流量，而且 Anthropic 的提示词指南称 effort 已重新校准，因此不要沿用 Sonnet 5 的设置。在 Apifox 中：

1. 把 ANTHROPIC_API_KEY 保存为环境变量，并把 20 到 50 条真实提示词保存为 Messages 请求。
2. 断言状态码 200、stop_reason 不是 "max_tokens" 或 "refusal"，以及内容包含正确答案所需的信息。
3. 在 low、medium、high 和 xhigh 下各跑一遍；更改 effort 会使提示词缓存失效。
4. 记录通过率和 usage 中的 token 数量，按每百万输入 $2、输出 $10 计价。

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-sonnet-5-5",
    "max_tokens": 16000,
    "output_config": {"effort": "high"},
    "messages": [{"role": "user", "content": "Classify this support ticket: ..."}]
  }'

选择你能够接受的通过率所对应的最低 effort 档位。参见测试 LLM 应用和测试 AI Agent API。

常见问题

Sonnet 5.5 胜过 Opus 5.5 吗？在 Terminal-Bench 4.0、HealthBench Professional、AutomationBench、Terminal-Bench-Science 以及带工具的 Chartography 上，是的。其余项目 Opus 5.5 领先或持平。

Sonnet 5.5 的 SWE-Bench 分数是多少？在 max effort 下，SWE-Bench Pro 为 81.3，Multilingual 为 90.3。

为什么有两个 FrontierCode 数字？46.2% 是 max，52.1% 是 xhigh；max 的子代理展开招致了范围外扣分。

我应该从 Sonnet 5 升级吗？从基准测试看应该，但请先阅读 Sonnet 5.5 对比 Sonnet 5 中的破坏性 API 变更。

下一步

按 Anthropic 的建议从 high 开始（如果是描述明确的 agentic 编码任务可用 medium），并让你在 Apifox 中的评测决定再升一档是否值得。

HiFox：将 Agent 变成真正的队友

另外，我们也在思考，AI 如何从个人提效走进团队协作。

HiFox 是一个让人和 AI Agent 在同一个工作现场协作的平台：你可以像给同事分派任务一样指派 Agent，在任务看板中跟踪进度、查看结果，让 Agent 成为团队里的队友。

👉 立即体验 HiFox：https://hifox.com

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，
欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。