Anthropic甩出92.4%這個(gè)數(shù)字

凌晨?jī)牲c(diǎn)，一個(gè)做后端的朋友給我發(fā)消息：「Sonnet 5出來(lái)了，我手里的咖啡涼了?！刮尹c(diǎn)開(kāi)鏈接，第一反應(yīng)是檢查日期——4月1號(hào)，確認(rèn)不是玩笑。92.4%的SWE-bench Verified，這比他們自家旗艦Opus 4.6高出12個(gè)點(diǎn)，比GPT-5.4高出35個(gè)點(diǎn)。一個(gè)中檔模型，把全行業(yè)的旗艦按在地上。

價(jià)格沒(méi)變，但游戲規(guī)則變了

Anthropic這次沒(méi)搞發(fā)布會(huì)，沒(méi)預(yù)熱，博客帖子直接上線。模型字符串claude-sonnet-5-20260401，claude.ai默認(rèn)切換，API價(jià)格維持$3/$15每百萬(wàn)token——和Sonnet 4.6一模一樣。沒(méi)有漲價(jià)。

這有多反常？對(duì)比一下就懂了。Gemini 3.1 Pro定價(jià)$2/1M輸入，是當(dāng)下最便宜的前沿模型；GPT-5.4定價(jià)$2.50；Sonnet 5貴一點(diǎn)，$3。但多花這50美分，你買(mǎi)到的是：SWE-bench上35個(gè)百分點(diǎn)的領(lǐng)先，OSWorld-Verified上13個(gè)百分點(diǎn)的領(lǐng)先，GPQA Diamond上接近2個(gè)百分點(diǎn)的領(lǐng)先，ARC-AGI-2上7個(gè)百分點(diǎn)的領(lǐng)先。

用五分之一的價(jià)格買(mǎi)Opus 4.6，性能反而更好——這種定價(jià)策略不像賣(mài)模型，像是對(duì)自家旗艦的公開(kāi)處刑。

Opus 4.6的定價(jià)是$15/1M輸入，現(xiàn)在開(kāi)發(fā)者有明確的選擇題：花3塊錢(qián)買(mǎi)更強(qiáng)的，還是花15塊錢(qián)買(mǎi)更弱的？Anthropic自己的產(chǎn)品矩陣內(nèi)部，出現(xiàn)了明顯的 cannibalization（同類相食）。

計(jì)算機(jī)操作：從「能用」到「比人強(qiáng)」

OSWorld-Verified這個(gè)基準(zhǔn)測(cè)試，測(cè)的是AI操控真實(shí)桌面環(huán)境的能力。人類專家基線是72.4%——這是受過(guò)訓(xùn)練的專業(yè)人員，在可控環(huán)境下操作電腦的表現(xiàn)上限。

Sonnet 5得分88.3%。不是接近人類，是顯著超越。GPT-5.4上個(gè)月發(fā)布時(shí)，75.0%的成績(jī)已經(jīng)讓不少人覺(jué)得「agent時(shí)代要來(lái)了」。一個(gè)月后，Anthropic把這個(gè)標(biāo)準(zhǔn)又拔高13個(gè)百分點(diǎn)。

這里的差距不是線性進(jìn)步，是代際差。75%意味著「大多數(shù)時(shí)候能完成任務(wù)，但需要人工兜底」；88%意味著「可以放手讓它自己跑，只在邊緣case介入」。從「輔助工具」到「獨(dú)立代理」，閾值就在這個(gè)區(qū)間。

GPQA Diamond（博士級(jí)科學(xué)問(wèn)答）上，Sonnet 5拿下96.2%，從Gemini 3.1 Pro手里搶走紀(jì)錄。ARC-AGI-2（抽象新穎推理）84.7%，比Gemini的77.1%高出7.6個(gè)百分點(diǎn)——這個(gè)測(cè)試的設(shè)計(jì)初衷就是「讓AI做它沒(méi)訓(xùn)練過(guò)的事」，分?jǐn)?shù)越高，泛化能力越扎實(shí)。

三個(gè)月內(nèi)的三次變天

時(shí)間線拉出來(lái)看，節(jié)奏很密集。2月19日，Gemini 3.1 Pro發(fā)布，GPQA Diamond登頂，當(dāng)時(shí)被認(rèn)為是Google對(duì)OpenAI的精準(zhǔn)反擊。3月5日，GPT-5.4上線，計(jì)算機(jī)能力和上下文窗口是賣(mài)點(diǎn)，75%的OSWorld成績(jī)足夠亮眼。

這期間Anthropic在做什么？Sonnet 4.6作為中檔型號(hào)，已經(jīng)表現(xiàn)出奇怪的「以下犯上」——開(kāi)發(fā)者頭對(duì)頭對(duì)比時(shí)，59%的情況下更喜歡它而不是自家旗艦Opus 4.5。這種內(nèi)部倒掛說(shuō)明，模型規(guī)模不是唯一指標(biāo)，推理效率、響應(yīng)質(zhì)量、實(shí)際體驗(yàn)都在重新定義「好模型」的標(biāo)準(zhǔn)。

Sonnet 5把這個(gè)趨勢(shì)推到極致。它沒(méi)有用更大的參數(shù)規(guī)模，而是優(yōu)化了「自適應(yīng)思考架構(gòu)」——?jiǎng)討B(tài)分配推理深度，在簡(jiǎn)單問(wèn)題上快，在復(fù)雜問(wèn)題上深。這種「該省省該花花」的策略，可能是benchmark躍升的關(guān)鍵來(lái)源。

上下文窗口也完成了擴(kuò)容：2M token正式脫離beta，1M版本從實(shí)驗(yàn)狀態(tài)轉(zhuǎn)正。長(zhǎng)文檔處理、代碼庫(kù)理解、多輪對(duì)話的瓶頸，被一次性打通。

SWE-bench為什么難作弊

92.4%這個(gè)數(shù)字值得單獨(dú)拆解。SWE-bench Verified測(cè)的是解決真實(shí)GitHub issue的能力——拿到一個(gè)沒(méi)見(jiàn)過(guò)的代碼庫(kù)，理解問(wèn)題描述，定位bug，寫(xiě)出修復(fù)，通過(guò)測(cè)試。沒(méi)有訓(xùn)練數(shù)據(jù)可背，沒(méi)有套路可套。

之前的標(biāo)桿是：Opus 4.6的80.8%，Gemini 3.1 Pro的80.6%，GPT-5.4的57.7%。Sonnet 5的92.4%意味著，在接近真實(shí)開(kāi)發(fā)場(chǎng)景的任務(wù)中，它十次里能成功九次半。這個(gè)可靠性水平，已經(jīng)觸及「可以集成到CI/CD流程」的門(mén)檻。

開(kāi)發(fā)者社區(qū)的反饋正在快速匯聚。有人測(cè)試了復(fù)雜重構(gòu)任務(wù)，有人扔進(jìn)去遺留代碼庫(kù)的bug，有人在用它做code review。初步共識(shí)是：Sonnet 4.6已經(jīng)夠用，Sonnet 5是「夠用」到「好用」的跨越。

定價(jià)策略的潛臺(tái)詞也很清晰。Anthropic沒(méi)有把性能提升轉(zhuǎn)化為溢價(jià)，而是用Sonnet tier承載技術(shù)突破，把Opus tier逼向更極端的場(chǎng)景——也許是為下一代Opus預(yù)留空間，也許是戰(zhàn)略性地用性價(jià)比搶占開(kāi)發(fā)者心智。無(wú)論哪種，$3 vs $15的價(jià)差，會(huì)讓預(yù)算敏感的用戶用腳投票。

一個(gè)細(xì)節(jié)：模型發(fā)布當(dāng)天，API文檔同步更新，2M上下文通過(guò)header顯式啟用，沒(méi)有灰度，沒(méi)有排隊(duì)。這種「即開(kāi)即用」的交付節(jié)奏，和某些廠商的「waitlist文化」形成對(duì)比。

接下來(lái)兩周，真正的壓力測(cè)試會(huì)在生產(chǎn)環(huán)境里發(fā)生——不是benchmark，是凌晨三點(diǎn)的線上故障，是需求文檔里沒(méi)寫(xiě)清楚的邊界條件，是產(chǎn)品經(jīng)理臨時(shí)改需求后的代碼調(diào)整。Sonnet 5的92.4%能不能扛住這些，才是它值不值那3塊錢(qián)的最終裁決。