Claude Sonnet 5.5 knuser forgængerens kodetest

01Kodetesten gik fra 10,3 til 70,6 procent

Anthropic har lanceret Claude Sonnet 5.5, det andet model i Claude 5.5-familien. På Terminal-Bench 4.0, en test af agentic coding — hvor modellen selv navigerer i en kommandolinje for at løse flertrins-opgaver — scorer den 70,6%. Claude Sonnet 5 scorede 10,3%.

Spranget er det mest iøjnefaldende i Anthropics egen præsentation. På FrontierCode, der måler, om modellens kodeændringer ville blive slået sammen i kodebasen, ligger Sonnet 5.5 10 point over Sonnet 5 ved samme effort-indstilling, til omkring en femtendedel af omkostningen pr. opgave.

02Samme pris, færre tokens pr. opgave

Prisen er uændret: 2 dollars per million input-tokens, 10 dollars per million output-tokens og 0,20 dollars per million tokens for cache-læsninger — som for Sonnet 5. Men ifølge Anthropics egne tests bruger modellen typisk langt færre tokens på det samme arbejde og koster dermed op til 30% mindre pr. opgave.

Den er også over 30% hurtigere til at generere svar end Sonnet 5 og er dermed den hurtigste Sonnet-model hidtil. På flere benchmarks slår Sonnet 5.5 ved Low eller Medium effort Sonnet 5s bedste score for omkring en tiendedel af omkostningen.

03Stadig bag Opus 5.5 på svære opgaver

Sonnet 5.5 er tænkt som et hurtigere, billigere supplement til Claude Opus 5.5, som er bygget til komplekst arbejde med behov for omhyggelig dømmekraft. Sonnet 5.5 er stærkest til afgrænsede hverdagsopgaver, fejlrettelser og polerede dokumenter, slides og regneark.

På GDPval-AA, en test af rigtigt arbejde på tværs af erhverv, ligger den to point under Opus 5.5. Ved høje effort-indstillinger kan den på flere benchmarks klare sig sammenligneligt med Opus 5.5, men både Anthropics egne og eksterne testere vurderer, at Opus 5.5 fortsat er klart stærkere til komplekst, åbent arbejde.

04Første Sonnet med cybersikkerheds-spærrer

Sonnet 5.5 er den første Sonnet-model, der lanceres med cybersikkerheds-safeguards og fallbacks af samme type som Anthropic har udviklet til sine mest kapable modeller. Det skyldes, at modellens cybersecurity-evner er sammenlignelige med Claude Opus 5's. Biologi-spærrerne er uændrede fra Sonnet 5.

Begge sæt spærrer rammer et snævert udvalg af højrisiko-forespørgsler. Rutinemæssig softwareudvikling og det meste livsforskningsarbejde berøres ikke.

05Epic: klarede højere modelkrav

I Epic Systems' tidlige tests holdt Claude Sonnet 5.5 den kvalitetsstandard, man ville forvente af et højere modeltrin — både til en systemdesign-gennemgang og et dataflow-review. Modellen håndterede titusinder af linjer kode til gameplay-systemarkitektur, holdt svarene hurtige, klarede flertimers opgaver og leverede med mindre detaljerede instruktioner.

Tidlige testere lagde også mærke til, at modellen forstår en kodebase hurtigt og i direkte sammenligninger samlede flere værktøjskald i én gruppe end Sonnet 5. Det gav færre trin og lavere omkostninger.

Claude Haiku 5.5, bygget til høje volumener og prisfølsomme anvendelser, ventes at slutte sig til familien i de kommende uger.