知识卡片：Anthropic Sonnet 5.5 在 Terminal-Bench 反超 Opus

一句话结论

腾讯研究院 AI 速递称，Anthropic 发布 Claude Sonnet 5.5，在 Terminal-Bench 4.0 以 70.6% 超过 Opus 5.5 的 66.4%，同时维持与 Sonnet 5 相同的输入/输出标价，并出现单任务成本下降与速度提升；但高算力 Max 档单题成本可能高于 Opus 满档，真实性价比仍需看配置与评测口径。

事件概述或研究问题

• 材料条目属于模型发布与基准评测更新：Anthropic 上线 Claude Sonnet 5.5。
• 重点比较对象包括 Terminal-Bench 4.0、Artificial Analysis 智能指数、Chartography，以及仅凭截图玩《宝可梦 红》的代理能力。
• 核心问题可概括为：Sonnet 5.5 是否在终端代理任务上反超 Opus 5.5，同时是否以更低 Token 消耗和更高速度带来成本优势；Max 档高成本是否会抵消这一优势。

方法/产品要点

• 产品：Claude Sonnet 5.5。
• 标价：与 Sonnet 5 相同，输入 2 美元/百万 Token、输出 10 美元/百万 Token。
• 成本/速度：材料称因更省 Token，单任务成本最高降 30%，速度提升超 30%。具体对比基线与测算口径待核实。
• 评测结果：Terminal-Bench 4.0 得分 70.6%，超过 Opus 5.5 的 66.4%；Artificial Analysis 智能指数 64%，居第二；Chartography 由 15.6% 升至 61.6%。
• 代理/游戏展示：成为首个仅看截图通关《宝可梦 红》的 Sonnet。
• 成本警示：Max 档单题约 7.60 美元，可能贵过 Opus 满档。

主要结果或产业意义

• 若材料数据成立，Sonnet 5.5 在 Terminal-Bench 4.0 上超过 Opus 5.5，构成“Sonnet 线在特定基准上反超 Opus 线”的信号。
• 维持每百万 Token 定价不变，但强调 Token 效率与速度，说明竞争焦点可能从单纯单价转向“单任务成本 + 延迟 + 代理可靠性”。
• Artificial Analysis 智能指数 64% 居第二，以及 Chartography 大幅提升，可作为第三方追踪模型综合能力与特定能力的参考；具体评测含义待核实。
• 仅看截图通关《宝可梦 红》是长程视觉-操作代理能力的展示性案例，但材料未给出成功率、尝试次数、是否人工干预等细节。
• Max 档单题约 7.60 美元且可能贵过 Opus 满档，说明高推理预算下成本优势可能逆转。

为什么重要

• 对 benchmark-evaluation 脉络而言，本条补充了 Terminal-Bench 4.0、Artificial Analysis 指数、Chartography 等评测结果，可作为追踪 Sonnet 与 Opus 相对表现的增量信号。
• 与已有 AA-Briefcase、模型融合卡片相比，本条不是知识工作长周期评估或模型融合降本，而是单模型发布中的终端代理基准、视觉游戏代理与成本/延迟权衡更新。
• 增量信息在于：Sonnet 5.5 在 Terminal-Bench 4.0 上超过 Opus 5.5，同时出现 Token 效率提升与 Max 档高成本并存。
• 对企业选型而言，不应只看每百万 Token 标价或单一榜单，应结合任务档位、Token 消耗、延迟、成功率与人工干预需求评估。

局限与不确定性

• 材料来自腾讯研究院 AI 速递转述，非 Anthropic 官方公告全文；官方发布细节、可用地区、上下文窗口、推理档位等待核实。
• Terminal-Bench 4.0 的评测版本、样本量、运行配置、是否使用工具/多轮/重试策略待核实。
• “单任务成本最高降 30%”和“速度提升超 30%”的对比基线、任务集、统计口径待核实。
• Artificial Analysis 智能指数 64% 的版本、排名时点、参评模型范围待核实。
• Chartography 的定义、任务形式、从 15.6% 到 61.6% 的评测条件待核实。
• “首个仅看截图通关《宝可梦 红》的 Sonnet”中的“首个”边界，如是否指 Sonnet 系列、公开评测、无人工干预等，待核实。
• Max 档单题约 7.60 美元与 Opus 满档比较的配置、题集、计费口径待核实。
• 来源材料日期为 20260930，后续价格、评测与产品状态可能变化，待核实。

可用于图书/PPT/简报的角度

• “榜单反超背后的成本反转”：Sonnet 5.5 在 Terminal-Bench 4.0 超过 Opus 5.5，但 Max 档单题成本可能更贵。
• “从单价竞争到单任务成本竞争”：同价输入/输出下，Token 效率、速度和推理档位决定真实成本。
• “视觉代理的展示性里程碑”：仅看截图通关《宝可梦 红》可作为长程视觉-操作代理案例，但需补充可复现细节。
• “评测治理”：用 Terminal-Bench、Artificial Analysis、Chartography 等多维基准避免单榜误读。
• “与既有脉络的关系”：在 AA-Briefcase、模型融合卡片之外，补充单模型发布与终端代理基准追踪。

原始材料

• 来源：腾讯研究院AI速递 20260930
• 来源条目：Anthropic上线Sonnet 5.5，Terminal-Bench反超Opus
• 英文标题：材料未提供；保留 Manual title：Anthropic上线Sonnet 5.5，Terminal-Bench反超Opus
• 英文关键词：Anthropic, Claude Sonnet 5.5, Terminal-Bench 4.0, Opus 5.5, Artificial Analysis, Chartography, Pokémon Red, Max
• URL: https://m.sohu.com/a/1082433255_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=1
• Parent URL: https://m.sohu.com/a/1082433255_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334
• Track: industry
• Topics: benchmark-evaluation