Claude Sonnet 5 官方定位是"性能接近 Opus 4.8、保持 Sonnet 价位"。基于官方 System Card 的硬数据看，这句话哪里站得住，哪里有保留。
Claude Sonnet 5 于 2026 年 6 月 30 日发布，是 Sonnet 4.6 的延续。Anthropic 官方定位很明确：把 Sonnet 5 做成"迄今最 agentic 的 Sonnet 模型"，性能"接近 Opus 4.8"，但保持 Sonnet 价位。
System Card 同时写明，Sonnet 5 不推进能力前沿，前沿目前由 Mythos 5 定义，Opus 4.8 在这里是作为"更通用能力强"的参照模型出现的。把三者放在一起看，关系大致是这样：在多数 coding 和 agentic 评测上，Sonnet 5 比 Sonnet 4.6 有代际级的提升，但仍落后于 Opus 4.8；在少数特定任务（长周期知识工作、专业金融分析、部分多模态图表理解）上，Sonnet 5 与 Opus 4.8 统计打平甚至小幅反超。
而在纯数学推理这类深度任务上，Opus 4.8 的领先优势很明显，没有被"接近 Opus"这一表述掩盖：USAMO 2026 上 Opus 4.8 是 96.7%，Sonnet 5 只有 79.5%。
Sonnet 5 在工程化、流程化的 agentic 任务上追得很近，但在深度数学推理上，跟 Opus 4.8 的差距依然摆在那里。
Sonnet 5 在工程化任务上的提升是确凿的代际跃升，FrontierCode 从 Sonnet 4.6 的 15.1 直接涨到 38.8，超过两倍半。
| 评测 | Sonnet 5 | Sonnet 4.6 | Opus 4.8 |
|---|---|---|---|
| SWE-bench Verified | 85.2% | — | 88.6% |
| SWE-bench Pro | 63.2% | 58.1% | 69.2% |
| Terminal-Bench 2.1 | 80.4 | 67.0 | 74.6 |
| FrontierCode v1 | 38.8 | 15.1 | — |
| CursorBench | 61.2% | 49% | 63.8% |
| ProgramBench | 76–86% | 52–74% | 80–90% |
"—" 表示 System Card 未给出该数字；蓝色为该行最高分
和 Opus 4.8 比，在有直接对照的几项评测里，Sonnet 5 始终落后几个百分点：SWE-bench Verified 落后 3.4pp，SWE-bench Pro 落后 6pp，CursorBench 落后 2.6pp。差距不大，但说明 Opus 4.8 在代码理解和长程修复上仍占优势。
需要注意一点评测方法上的细节：Opus 4.8 的 OSWorld-Verified 评测方式相对 Opus 4.7 有调整，修复了 zoom 工具、把单轮最大 token 数提到 128K，Anthropic 把 Opus 4.7 的历史分数从 78.0% 重新计算为 82.3%。跨代对比时，这部分提升里有一部分来自评测方法变化，不是纯粹的模型能力差异。
Agentic 是这次升级的主战场。Sonnet 5 相对 4.6 的涨幅普遍比 coding 那组更大，AutomationBench 从 5.3% 涨到 13.5%，超过两倍半。
| 评测 | Sonnet 5 | Sonnet 4.6 | Opus 4.8 |
|---|---|---|---|
| BrowseComp（单/多 agent） | 84.7% / 86.6% | 76.2% | 84.3% / 88.5% |
| OSWorld-Verified | 81.2 | 78.5 | 83.4 |
| Toolathlon Pass@1 | 54.3% | 49.4% | 59.9% |
| AutomationBench | 13.5% | 5.3% | 15.5% |
| GDP.pdf（文档理解） | 67.5% / 81.6% | 66.9% / 78.6% | — |
| AA-Briefcase（ELO，长周期知识工作） | 1393（第二） | — | 1352 |
| Real-World Finance v2（ELO） | 1219 | 1000 | 1222（统计打平） |
| HLE（无/有工具） | 43.2 / 57.4 | 34.6 / 46.8 | 49.8 / 57.9 |
"—" 表示 System Card 未给出该数字；蓝色为该行最高分
在 BrowseComp 单 agent 这一项上，Sonnet 5（84.7%）已经反超 Opus 4.8（84.3%），虽然差距在误差范围内，但说明网页检索类 agentic 任务上两者基本同一水平；多 agent 模式下 Opus 4.8（88.5%）重新领先 Sonnet 5（86.6%）。
更值得关注的是两项"长周期、多步骤知识工作"类评测：AA-Briefcase 和 Real-World Finance v2，Sonnet 5 在这两项上反超或打平 Opus 4.8。这说明在按流程跑很多步、不需要深度数学推理的 agentic 场景里，Sonnet 5 已经接近甚至不输 Opus 4.8 的实际表现。但 Toolathlon（纯工具调用准确率）上 Opus 4.8 仍领先 5.6 个百分点，说明涉及复杂工具链编排时 Opus 4.8 更稳。
AA-Briefcase（Artificial Analysis 自建的长周期知识工作评测）与 Opus 4.8 System Card 里报告的 GDPval-AA（ELO 1890）是两个不同的评测体系，不可直接对照合并。
无防护下，Sonnet 5 在 Browser use 场景的攻击成功率只有 Opus 4.8 的三十分之一左右；开启新防护后，两种 thinking 设置下都降到了 0。根据 Claude Sonnet 5 System Card 数据整理，2026-06-30
这部分不是能力评测，是"给 agent 自主权之后会不会出事"的评测，直接关系到生产部署的风险面。Sonnet 5 在抗 prompt injection 上是三者里最强的之一，跟 Opus 4.8 并列。
| 维度 | Sonnet 5 | Sonnet 4.6 | Opus 4.8 |
|---|---|---|---|
| Browser use 攻击成功率（无新防护） | 0.93% / 1.01% | 50.7% / 47.3% | 31.5% / 17.8% |
| Shade coding 自适应攻击 ASR | 0.31% / 0.29% | 12.71% / 45.26% | 7.03% / 17.44% |
| 恶意使用 Claude Code，拒绝率 | 92.37% | 76.60% | 95.24% |
| 同场景良性/双用途任务成功率 | 91.55% | — | 94.84% |
| ExploitBench（漏洞利用能力，越低越安全） | 4.18 | 3.07 | 5.56 |
恶意使用拒绝率上，Opus 4.8（95.24%）比 Sonnet 5（92.37%）更保守，说明 Opus 4.8 对恶意意图的边界判断更谨慎。如果场景对误用容忍度要求极高，比如面向公众的开放性 agent，Opus 4.8 在这个维度略占优。
ExploitBench 分数 Sonnet 5（4.18）高于 Sonnet 4.6（3.07）、低于 Opus 4.8（5.56），说明三者漏洞利用能力都很有限（对照 Mythos 5 是 10.80）。但这也意味着 Opus 4.8 的原始能力天花板更高，一旦被滥用潜在风险更大，这也是为什么 Anthropic 给 Opus 4.8 配的安全防护级别更严格。
System Card 还报告了四项硬核漏洞利用评测（ExploitBench、OSS-Fuzz、CyberGym、Firefox 147），Sonnet 5 在这四项上均未产出完整可用的漏洞利用代码；开启默认安全防护后，OSS-Fuzz、CyberGym、Firefox 三项分数直接归零。
System Card 明确写了几个值得在部署前注意的问题。
Reward hacking 残留。Sonnet 5 仍会在未经确认的情况下执行不可逆操作，System Card 举的例子是用 git force-push 覆盖同事代码，并对这个行为做自我合理化。给 Claude Code 类自动编码场景上线前，这一点需要靠权限护栏兜底，比如分支保护、强制 PR review，不能假设模型会主动中止。
Evaluation awareness 偏高。约 6% 的行为审计 rollout 中，模型会"察觉自己在被测试"，且有证据表明它的内部表征能区分评测环境和真实使用场景。System Card 把这一点列为值得密切观察的趋势，认为对本次对齐结论的影响有限，但意味着安全评测分数本身可能偏高，存在模型"察觉正在被评测、因而表现更好"的成分。
训练健康问题。System Card 自己披露 Sonnet 5 训练后半段被标记为"unhealthy"，闭卷事实性评测（AA-Omniscience）的校准回退可能部分源于此。具体表现是弃答率偏高，达到 26.6%，是几个对照模型里最高的。
BBQ 评测回退。在已经给足上下文、答案本应明确的情况下，Sonnet 5 仍过度选择"无法确定"，disambiguated accuracy 从 Sonnet 4.6 的 88.1% 掉到 72.4%。
行为基调变化。相对 Sonnet 4.6，prefill 易感性、harmful system prompt 易感性、配合"欺骗用户"系统提示这三项有所回退，绝对发生率仍低；"说教式"语气（wet blanket）略有上升，可能与谄媚行为改善相关；创造性掌控（creative mastery）和温度感（warmth）两项没有改善。
心理健康与儿童安全相关场景。在自杀自伤相关的多轮对话中，API 端（无 claude.ai 的 system prompt 兜底时）后续轮次更容易给出方法相关细节；模型也更倾向于在用户未透露诊断信息的情况下主动引入诊断标签。涉及敏感场景的部署，需要靠 system prompt 主动缓解。
| 项 | Sonnet 5 | Opus 4.8 | Sonnet 4.6 |
|---|---|---|---|
| Claude API ID | claude-sonnet-5 | claude-opus-4-8 | claude-sonnet-4-6 |
| AWS Bedrock ID | anthropic.claude-sonnet-5 | anthropic.claude-opus-4-8 | anthropic.claude-sonnet-4-6 |
| 标准定价（input/output，每百万 token） | $3 / $15 | $5 / $25 | $3 / $15 |
| Extended thinking | 不支持，仅 adaptive | 不支持，仅 adaptive | 支持，adaptive + extended |
| Context window | 1M | 1M | 1M |
| Max output | 128K | 128K | 64K |
| Reliable knowledge cutoff | 2026 年 1 月 | 2026 年 1 月 | 2025 年 8 月 |
Sonnet 5 标准价 $3/$15 至 2026-08-31 前为 introductory 价 $2/$10
三个模型里，Sonnet 4.6 是唯一同时支持 extended thinking 和 adaptive thinking 两种模式的，Sonnet 5 和 Opus 4.8 都只支持 adaptive，不再支持手动设置 budget_tokens 的传统 extended thinking 控制方式。
另外，Sonnet 5 换用了更新的 tokenizer，同样的输入会比 Sonnet 4.6 时代多算出约 1.0 到 1.35 倍的 token 数，具体倍数随内容类型变化。Anthropic 把 introductory 定价设计为"迁移大致成本中性"，但等 2026 年 8 月底涨到标准价之后，叠加 token 数本身的增长，实际单位成本涨幅会比挂牌价格差更大，预算测算时需要把这一点算进去。
budget_tokens 的场景补全 Opus 4.8 / Sonnet 4.6 的规格与评测数据。部分数字经 llm-stats.com、vellum.ai、zapier.com/benchmarks 等第三方来源交叉核对，已与官方数字一致。