新闻详情

新闻详情

首页 / 资讯中心 / 详情

Anthropic 推出 Sonnet 5.5,以同等价格对标 OpenAI 新模型

发布时间:2026/11/21 19:48:08来源:尧图网络
Anthropic 推出 Sonnet 5.5,以同等价格对标 OpenAI 新模型
全球各大 AI 实验室正将重心从单纯打造最昂贵的前沿模型转向让模型能力变得更便宜、更快速。上周OpenAI 以明显更低的价格推出了 GPT-6 Sol 和 GPT-6 Luna而 Anthropic 此前也发布了 Claude Opus 5.5作为其旗舰 Fable 级模型的平价替代方案。如今Anthropic 再度跟进正式推出了全新的 Claude Sonnet 5.5。Anthropic 表示Claude Sonnet 5.5 相比 Claude Sonnet 5 能力更强、效率更高运行速度提升超过 30%。不出所料Sonnet 5.5 的定位低于近期发布的 Claude Opus 5.5主要面向日常工作场景包括编程、文档撰写、电子表格制作、演示文稿生成以及其他边界清晰的任务。在多项 AI 基准测试中Sonnet 5.5 相比 Sonnet 5 的性能提升十分显著。在 Terminal-Bench 4.0 上Sonnet 5.5 得分达到 70.6%而 Sonnet 5 仅为 10.3%。在 CursorBench 4.0 上Sonnet 5.5 达到 55.5%相比之下 Sonnet 5 为 34.1%Opus 5.5 为 57.8%。在衡量多种职业专业任务表现的 GDPval-AA 测试中Sonnet 5.5 得分 1844几乎与 Opus 5.5 的 1846 分持平。Anthropic 还报告称在计算机操作任务基准 OSWorld 2.1 上Sonnet 5.5 得分为 80.1%Opus 5.5 为 81.8%。Anthropic 特别指出Sonnet 5.5 在遍历代码库时所需的步骤数和工具调用次数均少于 Sonnet 5。在定价方面Sonnet 5.5 的输入价格为每百万 token 2 美元输出价格为每百万 token 10 美元与 GPT-6 Sol 的标准 API 定价完全一致。缓存读取费用为每百万 token 0.20 美元缓存写入为每百万 token 2.50 美元。Anthropic 表示由于 Sonnet 5.5 完成相同任务通常消耗更少的 token每项任务的成本最多可比 Sonnet 5 降低 30%。OpenAI 在本月初发布更强大的 GPT-6 Astra 之后于上周推出了 GPT-6 Sol 和 GPT-6 Luna。GPT-6 Astra 的定价为输入每百万 token 10 美元、输出每百万 token 50 美元而 GPT-6 Luna 则便宜得多输入和输出分别仅为 0.10 美元和 0.50 美元。OpenAI 将 Sol 定位在这两者之间面向复杂的编程和智能体Agent工作负载。Anthropic 目前也采取了类似的策略。Opus 5.5 的定价为输入每百万 token 4 美元、输出每百万 token 20 美元而 Sonnet 5.5 的价格恰好为其一半。Anthropic 还确认专为高吞吐量和成本敏感型工作负载设计的 Claude Haiku 5.5 将在未来几周内推出届时将与 GPT-6 Luna 展开竞争。Claude Sonnet 5.5 现已通过 Anthropic 的 Claude 应用和 API以及亚马逊 AWS、谷歌云和微软 Azure 提供服务。开发者可以使用 claude-sonnet-5-5 模型标识符进行调用。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/22 1:51:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉