Claude Sonnet 5：高性能掩盖了显著的价格上涨
Anthropic 的最新发布版本 Claude Sonnet 5 在基准测试中取得了令人印象深刻的进步，但却给开发者带来了隐形的财务负担。虽然官方的 token 费率保持不变，但新数据表明，该模型日益增加的冗长程度（verbosity）和智能体行为（agentic behavior）显著推高了实际的任务成本。
智能提升 vs. Token 消耗
根据 Artificial Analysis Intelligence Index v4.1，Claude Sonnet 5 取得了一个重大的技术里程碑。它获得了 53 分，位列全球第五，与 GPT-5.5 (high) 并列，并超越了其前身 Sonnet 4.6（得分为 47 分）。这种性能飞跃在多个专业基准测试中都显而易见，包括在 Terminal-Bench v2.1 上提升了 9 分，在 Humanity's Last Exam 上提升了 10 分。
然而，这些智能上的提升是以极高的 token 消耗为代价的。在 AA-Briefcase 和 GDPval-AA 等基于智能体（agent-based）的知识工作基准测试中，Sonnet 5 执行的智能体循环（agent loops）次数大约是 Sonnet 4.6 的三倍。在最高性能设置下，与上一代相比，该模型在每个任务中消耗的输出 token 增加了约 40%。
静态 Token 定价的幻象
从表面上看，Anthropic 维持了其定价结构：每百万输入 token 为 3 美元，每百万输出 token 为 15 美元。这明显比 Opus 4.8 档位更便宜，后者的价格分别为 5 美元和 25 美元。然而，“单任务成本”却揭示了不同的情况。
Artificial Analysis 的报告显示，在 Intelligence Index 中，Sonnet 5 的平均单任务成本为 2.29 美元，而价格更昂贵的 Opus 4.8 仅为 1.97 美元。对于从 Sonnet 4.6（单任务成本约为 1.20 美元）迁移过来的开发者来说，转向 Sonnet 5 意味着运营支出几乎翻倍。这种模式在之前的发布中也有所体现，例如 Opus 4.7，尽管费率“保持不变”，但分词器（tokenizer）的更改实际上使成本增加了高达 37.4%。
竞争压力与透明度的需求
虽然 Sonnet 5 在某些智能体任务中表现出色，但在高水平物理推理方面仍显吃力。在阿贡国家实验室（Argonne National Labs）的 CritPt 基准测试中，它仅获得了 17% 的分数，落后于 GLM-5.2、Claude Fable 5 和 GPT-5.5 等重量级模型。
这种性能差距和不断上升的成本结构使 Anthropic 处于一个危险的境地。随着 Deepseek V4 Pro 和 GLM-5.2 等中国竞争对手以极低的成本提供相当的中端性能，Claude 系列“隐性”的价格攀升成为了企业采用该模型的一个关键因素。行业正趋向于需要更透明的指标——例如每个标准化任务的成本——而不是依赖于不再能反映智能体工作流实际计算负载的原始 token 计数。
核心要点
- 隐性成本增加： 尽管 token 费率相同，但由于 token 消耗增加，Sonnet 5 的单任务成本比 Sonnet 4.6 高出约 90%。
- 基准测试性能： Sonnet 5 以 53 分位列全球第五，在智能体循环以及 SciCode 和 Terminal-Bench 等特定基准测试中表现出巨大的进步。
- 定价差异： 若以现实世界的智能基准测试衡量，看似“更便宜”的 Sonnet 5 实际单任务成本（2.29 美元）反而高于高端的 Opus 4.8（1.97 美元）。