Claude Sonnet 5：官方 Benchmark 横向对比
1/7/2026 · 12:33

Claude Sonnet 5：官方 Benchmark 横向对比

Anthropic 发布 Claude Sonnet 5 后，官方系统卡给出了与 Sonnet 4.6、GPT-5.5、Gemini 3.5 Flash 在 SWE-bench Pro、Terminal-Bench、HLE、OSWorld 等 benchmark 上的可比结果。

AI 旗舰模型 Benchmark 横向对比
AI 旗舰模型 Benchmark 横向对比@Fanchao
Claude Sonnet 5 的核心变化很清楚：Anthropic 把 Sonnet 线往 Opus 的能力区间推了一步，但仍按 Sonnet 的价格和默认可用性来卖。它在 2026 年 6 月 30 日发布，已成为 Free 和 Pro 计划的默认模型，并通过 Claude Code 与 Claude API 提供，API 名称为 claude-sonnet-5；发布期价格为每百万输入 token 2 美元、每百万输出 token 10 美元，2026 年 8 月 31 日后回到 3 美元 / 15 美元。1
下面只转录官方发布博客和系统卡里能核到的数值。表格里的空白表示发布方没有披露该模型在该项上的可比数字；它不是 0，也不是落后。

全量 Benchmark 对照表

以下数据来自 Anthropic 发布博客与 Sonnet 5 System Card，已将原文三张表合并为一张。空白表示发布方未披露该模型在该项上的可比数字。各行最高值加粗；⚠️ 标注表示同一项在两份官方来源中数值有出入。21
Benchmark / 口径Claude Sonnet 5Claude Sonnet 4.6Claude Opus 4.8GPT-5.5Gemini 3.5 Flash其他模型来源
SWE-bench Pro63.2%58.1%69.2%58.6%55.1%21
SWE-bench Verified85.2%2
SWE-bench Multilingual78.3%2
SWE-bench Multimodal28.1%2
Terminal-Bench 2.180.4%67.0%82.7%83.4%（Codex CLI harness）76.2%21
CursorBench61.2%49.0%63.8%2
FrontierCode v138.8%15.1%25.5%2
ProgramBench（hidden test pass rate，区间）76–86%52–74%80–90%Mythos 5：84–93%2
BrowseComp（single agent）84.7%76.2%84.4%2
BrowseComp（multi agent）86.6%2
BrowseComp（10M-token，max effort）84.7%2
Humanity's Last Exam（no tools）43.2%34.6%49.8%41.4%40.2%21
Humanity's Last Exam（with tools）57.4%46.8%57.9%52.2%21
USAMO 202679.5%55.0%96.7%Mythos 5：99.8%2
ArxivMath（no tools）65.7%2
ArxivMath（with tools）72.2%2
OSWorld-Verified81.2%78.5%83.4%78.7%78.4%21
AutomationBench13.5%5.3%12.9%14.5%2
GDPval-AA v2（Elo）1618139516151509135721
GDP.pdf（no tools，mean criteria pass rate）67.5%66.9%2
GDP.pdf（with tools，mean criteria pass rate）81.6%78.6%2
Real-World Finance v2（Elo）1219低 219 Elo1222Fable 5 胜 Sonnet 5：69%2
ChartMuseum（no tools）70.1%59.3%75.8%2
ChartMuseum（with tools）86.7%80.9%89.7%2
CharXiv Reasoning（no tools）77.0%71.6%80.5%2
CharXiv Reasoning（with tools）88.3%85.3%89.9%2
BenchCAD Vision2Code（no tools，voxel IoU）0.2660.2672
BenchCAD Vision2Code（with tools，voxel IoU）0.3730.3272
OfficeQA73.3%68.7%2
OfficeQA Pro59.4%53.4%2
HealthBench Professional57.8%44.2%51.8%2
Legal Agent Benchmark（Full Public Set，全通过率）⚠️ 8.9（System Card 摘要表）/ 8.92%（System Card 细分表）8.0%2
Legal Agent Benchmark（Full Public Set，mean criterion-pass）88.26%88.48%2
Legal Agent Benchmark（Harvey held-out，全通过率）⚠️ 5.8%（System Card 摘要表有）/ 细分表无数据5.4%（摘要表）2.1%0.8%2
Legal Agent Benchmark（Harvey held-out，mean criterion-pass）91.2%2
Toolathlon（Pass@1）54.3%49.4%59.9%Fable 5：61.7%；Mythos 5：61.7%2
Toolathlon（Pass@3）63.0%60.2%67.6%Fable 5：68.5%；Mythos 5：66.7%2
Toolathlon（Pass³）40.7%38.0%48.1%Fable 5：55.6%；Mythos 5：58.3%2
Toolathlon（平均轮次，越少越好）26.016.524.5Fable 5：19.8；Mythos 5：19.02
AA-Briefcase（Elo）13931352Fable 5：15862

只在图里披露、未完全转录的项目

系统卡还列出了 HealthBench、GMMLU、MILU、INCLUDE，以及一组生命科学评估：BioMysteryBench、LatchBio SpatialBench Verified、LatchBio SingleCellBench、结构生物学开放题、ProteinGym Hard、有机化学、protocol troubleshooting。它们在系统卡中以图形或任务组形式出现，本轮只把名称纳入覆盖清单，没有把图上所有柱形或分面数值硬读成精确小数。2
这类处理比把肉眼估算的柱状图数值写进表格更安全。下次如果发布方同时给出 CSV、排行榜 API 或表格化附录，应优先用可机读数据补齐这些空白。

读表结论

Sonnet 5 最强的卖点不是「每一项都第一」，而是把 Sonnet 线的价格带推到接近 Opus 的能力区间：GDPval-AA v2、HLE with tools、OSWorld-Verified 三项已经贴近 Opus 4.8；SWE-bench Pro、CursorBench、USAMO 仍能看到 Opus 的优势。1
和外部模型比，Sonnet 5 在 SWE-bench Pro、BrowseComp、HLE with tools、FrontierCode、GDPval-AA v2、Legal Agent Benchmark 与 HealthBench Professional 上高于表内 GPT-5.5；Terminal-Bench 2.1 上 GPT-5.5 更高，AutomationBench 上 Gemini 3.5 Flash 更高。2
真正需要谨慎的是口径。Terminal-Bench 2.1 的 GPT-5.5 用 Codex CLI harness；OSWorld-Verified 的 Sonnet 4.6 分数因 Anthropic 修改 zoom tool 和 per-turn token limit 后被更新；GDPval-AA v2 是 2026 年 6 月 17 日的 Elo。把这些数字直接拿来做「绝对强弱」排序，会比表面看起来更脆。2

Fuentes de referencia

  1. 1Introducing Claude Sonnet 5
  2. 2Claude Sonnet 5 System Card

Contenido relacionado

Añade más opiniones o contexto en torno a este contenido.

  • Inicia sesión para comentar.