Sonnet 5.5: половина цены и почти всё остальное

Прайс остаётся как у Sonnet 5: 2 доллара за миллион входных токенов и 10 — за миллион выходных, чтение из кэша — 0,20, запись — 2,50. Вход и выход стоят вдвое меньше, чем у Opus 5.5 с его 4 и 20 долларами, и именно вокруг этой цифры строится весь анонс; о тарифах на кэш у старшей модели в фактологической справке ничего не сказано, так что сравнение на этом заканчивается. The Next Web, впрочем, замечает, что такая цена не вполне сходится с повышениями тарифов, о которых раньше сообщалось для Sonnet 5. Anthropic заявляет, что ответы генерируются более чем на 30% быстрее, чем у Sonnet 5, а стоимость задачи в её собственных тестах ниже вплоть до 30%, поскольку модель якобы тратит меньше токенов и реже вызывает инструменты. Это «вплоть до 30%» — максимум, измеренный внутри компании, а не экономия, которую читатель увидит в счёте. Модель уже доступна на Claude Platform под идентификатором claude-sonnet-5-5 и в трёх крупнейших облаках: Amazon Web Services, Google Cloud и Microsoft Azure.

По цифрам самой компании Sonnet 5.5 идёт вплотную за Opus 5.5: 1844 Elo в GDPval-AA v2.1 против 1846, тогда как Sonnet 5 остановился на 1449. В Terminal-Bench 4.0 скачок сложнее интерпретировать: 70,6% против 10,3% у предыдущего поколения — и выше тех 66,4%, которые The Next Web приписывает Opus 5.5 на максимальном уровне effort. Прирост примерно в шестьдесят процентных пунктов за одно поколение аномален, а в анонсе не объясняется, в каких условиях сравнивались два результата. Остальные показатели: 46,2% в FrontierCode 1.1 Main при effort Max, 55,5% в CursorBench 4.0, 80,1% в OSWorld 2.1 и 64,5% в Humanity's Last Exam с инструментами. Читать их нужно с поправкой на то, что все эти цифры, включая данные о скорости и стоимости, взяты из анонса Anthropic или от упомянутых в нём клиентов-партнёров: на 29 сентября независимых оценок нет. В примечаниях компании также говорится об ошибке в предрелизных тестах структурированного вывода, которая должна оказать «небольшое влияние» на результаты, и о том, что исправление, применённое к GPT-6 Sol, может быть отражено не во всех результатах конкурентов.

Отзывы клиентов приходят из той же рамки, и оценивать их стоит соответственно: это метрики, переданные компании и опубликованные в её анонсе, а не измерения, которые можно проверить со стороны. В Zendesk, по словам руководителя направления ИИ, тикеты обрабатываются на 20% быстрее; в Box руководство ИИ-продуктов говорит о модели, которая «точнее, в 2,4 раза быстрее и расходует на 12% меньше токенов в целом», чем предыдущая; в Epic Games операционное руководство утверждает, что Sonnet 5.5 достиг «того же уровня качества, которого ожидаешь от модели более высокого класса». В части безопасности новшество скорее структурное, чем количественное: Anthropic заявляет, что возможности модели в кибербезопасности сопоставимы с Opus 5, и впервые Sonnet выходит с киберзащитой, до сих пор доступной только самым мощным моделям, — наиболее рискованные запросы на эту тему перенаправляются, заметно для пользователя, на предыдущую Sonnet 5. Компания также собирается расширить доступ к Cyber Verification Program, а защита в области биологии остаётся на уровне Sonnet 5. Против дистилляции работают классификаторы, блокирующие извлечение рассуждений, и «preserved thinking», привязанное к аккаунту, который его сгенерировал. SiliconANGLE добавляет две детали: это первый Sonnet, прошедший Pokémon Red, а в модель встроен невидимый текстовый водяной знак, принцип работы которого, однако, не раскрыт.

Одна глава остаётся открытой: Haiku 5.5 появится «в ближайшие недели», без даты. И есть заявление, заслуживающее больше внимания, чем многие бенчмарки: по данным The Next Web, Anthropic утверждает, что модель не сдвигает вперёд границу возможностей её систем и что именно поэтому оценка согласованности (alignment) охватила более узкий круг рисков. Это открыто заявленный, а не скрытый методологический выбор, но он кое-что говорит о том, куда всё движется. В квартал, когда OpenAI вдвое снизила тарифы API вместе с GPT-6 Sol и Luna, средний сегмент становится настоящим полем битвы, и выигрывают его не поднятием потолка возможностей, а тем, что опускают вниз то, что раньше было наверху: цену, скорость, а теперь и защиту. Последнее кажется мне самым интересным: именно на это я бы посмотрела первым делом в следующих анонсах моделей среднего класса.

— Olya