Anthropic Sonnet 5.5深度评测：别急着用，它更适合当工具

Anthropic最近的发布节奏近乎碾压式。从被称为"史上最爱代码模型"的Fable 5.1，到接管众多工作流的Opus 5.5，再到这次突然登场的Sonnet 5.5——这款模型看起来被精准设计成针对OpenAI的"狙击武器"。但知名开发者兼科技博主Theo（t3.gg）在深度体验后给出了一个反直觉的结论：Sonnet 5.5确实是一款出色的模型，但大多数人不应该直接选用它。

Sonnet 5.5到底强在哪

从官方公告看，Sonnet 5.5是Sonnet 5的明确升级：速度快30%，多数场景下成本最高降低30%。但Theo直言，拿Sonnet 5做对比并不公平——因为Sonnet 5在他看来"是垃圾级别的模型发布之一"，根本不是一个好的对照基准。

真正值得关注的是跑分跃迁。Sonnet 5.5在Terminal Bench 4上拿下史上最高分70.6%，而前代仅有10.3%——足足七倍的提升。这意味着它第一次在代码任务上"真正可用"。它还成为首个仅通过截图读取和操作就通关《精灵宝可梦红》的Sonnet模型，在长程任务和图像理解上表现亮眼。

Theo的解读颇具洞察：Anthropic此前任何非旗舰模型都"没有那个感觉"，更像是在特定范围内机械运作的机器人。而现在这些中小模型"感觉就像是略微变笨、但速度快得多的Fable版本"。他半开玩笑地说："感觉他们看到所有人都在蒸馏Anthropic的模型，眼红了，于是决定自己动手——结果发现自己现在也挺擅长这个。"

价格陷阱：便宜是个错觉

这是整篇评测中最具价值的分析。Sonnet 5.5定价与Sonnet 5相同：输入每百万token 2美元，输出10美元，缓存读取20美分。表面看比Opus便宜一半（Opus输入4美元、输出20美元）。

但Theo揪出了关键问题——缓存读取（cache reads）成本几乎没降。在日常Agent代码工作中，缓存读取和写入往往占据成本的大头。Fable 5.1把缓存读取成本砍了90%，Opus也降了约60%，唯独Sonnet 5.5没有享受到这个折扣。

其结果是一个违反直觉的现象：在实际工作中，缓存读取在成本中的占比会随模型档次下降而不断攀升——在Fable中不到5%，在Opus中接近20%，而在Sonnet 5.5中竟然超过50%。因为其他数字都很低，缓存读取这一项就显得格外突兀。

Theo在Artificial Analysis智能指数上验证了这点：做同样的真实代码任务，Sonnet 5.5的成本居然和贵得多的Fable 5.1基本持平。他的结论是："Sonnet在实际同等工作中，成本始终不比Opus低，甚至可能更贵。"

缓存读取（Cache Reads）机制说明

在大语言模型的API计费体系中，「缓存读取」是指当同一段上下文（如系统提示、长文档、历史对话）被反复使用时，服务商将其暂存于高速缓存，后续调用只需支付远低于首次输入的「缓存读取费」，而非重新计算全部token。对于需要持续操作同一代码库的Agent来说，每次调用都会携带大量重复的上下文（代码文件、项目说明等），缓存读取因此可能占到总token消耗的70%-90%，成为真实成本的决定性因素——而非厂商营销时着重强调的输入/输出单价。Fable 5.1大幅削减缓存读取价格正是其Agent场景性价比领先的核心原因，Sonnet 5.5未能跟进这一折扣，导致其账面价格优势在实战中大打折扣。

千万别碰Max模式

Theo花了大量篇幅解释他对Max推理模式的厌恶。核心逻辑是：推理级别本质上是"预算"而非"级别"。设置low、medium、high、x-high，是在允许模型最多使用多少推理token，并非强制它用满。

问题出在Max。Max不是抬高推理token的"天花板"，而是抬高"地板"——它实际上是在告诉模型"不达到一定推理量就不算完成"。Theo的实测显示：从low到x-high，token用量仅增加5%至8%；但从x-high跳到Max，token用量暴涨1500%，整整15倍。

更糟的是，过度推理往往反而伤害性能——模型会开始自我怀疑、推翻正确答案。证据之一是在Frontier Code基准上，x-high得分竟然高于Max，甚至把Max推到了GPT-6 Sol之下。他的建议简单直接："假装Max模式不存在，你的生活会轻松很多。"同时他也不推荐任何Anthropic模型使用low——因为这些模型"没有推理就很烂"。

推理模型的「thinking token」机制背景

当前主流大模型厂商（Anthropic、OpenAI、Google）普遍为旗舰模型引入「扩展思维」功能：模型在输出最终答案前，会先生成一段对用户不可见的内部推理过程，这部分消耗的token通常被称为「thinking token」或「reasoning token」。这一机制能显著提升复杂逻辑和代码任务的准确率，但同时大幅增加延迟与成本。Anthropic的Sonnet 5.5采用分档预算设计（low/medium/high/x-high/Max），本意是让开发者按任务复杂度灵活控制推理深度与开销。然而Max档的设计逻辑与其他档位存在本质差异：其他档位设定的是推理token的「上限」，模型可根据实际需要少用；而Max相当于设定了一个强制「下限」，迫使模型无论任务难易都进行大量推理，由此造成性能不升反降的反直觉现象——这与学术界对「过度思考（overthinking）」损害模型表现的研究结论相吻合。

速度与token效率的真相

Anthropic把"更快"作为重要卖点，但Theo认为这点被过度渲染了。Sonnet 5.5确实快——通过官方订阅他实测平均约150 TPS，Opus约100 TPS。但它极度不省token。

在Cursor Bench上，Sonnet 5.5创下另一个"史上最高"：单任务消耗271,920个token，超过Opus的218k和Gemini 3.8 Flash的162k，是GPT-6 Sol和6 Aster的五倍多。

速度优势被token消耗抵消了。在"Fish Slop"（一个游戏生成Demo）测试中，Sonnet耗时43分钟，Opus仅36分钟；纯token生成时间差距更大，39分钟对27分钟。换句话说，更快的模型因为要吐更多token，实际反而更慢。

前端设计：明显的短板

借助Dara制作的Witch.ai设计展示工具，Theo测试了Sonnet 5.5的前端能力，结果不理想。生成的卡片设计"丑陋"，动画"糟糕"，背景线条影响可读性，滚动行为还出现bug。

对比来看，它比Opus略差，比Fable差得多。Theo坚持认为Fable 5.1仍是最佳整体设计模型，尤其适合营销页面等好看的前端；Opus则在遵循设计指令方面更可控。而Sonnet 5.5——"仍然远超OpenAI和xAI的任何东西，但不是我做前端会伸手去拿的模型"，更何况同等工作下价格还差不多。

它真正的价值：给其他模型当工具

讲了这么多缺点，为什么Theo依然盛赞这款模型？答案是：Sonnet 5.5不该被你我直接调用，它应该作为Opus或Fable编排时调用的子工具（sub-agent）。

Theo用自己为Grok评测设计的基准验证了这点：让各模型对T3 code中一个数十万行的巨型orchestrator V2 PR做深度审计，拆解成可逐步合并的策略。这是偏分析型、架构决策型的任务，而非传统编码。

结果令他震惊：Sonnet的成本大约是Opus的一半（本应如此），得分却略高于Opus，"每分成本"是该基准中迄今最佳。更关键的是耗时——Sonnet只花约5分钟，Opus用了近两倍时间，Astra（分数最高）更是花了近三倍时间。

这意味着：当Opus或Fable接到大任务、需要先分析代码库时，可以调用Sonnet快速完成这类侦查工作，并对结果满意。Theo推测，如果正确配置让Opus在合适时机调用Sonnet做子代理，Opus会"感觉快得多，干活还略便宜"。

多Agent编排（Multi-Agent Orchestration）架构说明

多Agent编排是近年来AI应用开发的重要范式转变：由一个「主控Agent」（Orchestrator，通常是能力最强的旗舰模型）负责理解任务全局、制定策略和整合结果，同时动态调用若干「子Agent」（Sub-agent）处理具体的子任务，如代码搜索、文件读写、网页抓取等。这种架构的核心收益在于「能力分层」——主控模型只在需要高层推理时介入，重复性或侦查性的前置工作交给更快、更便宜的子模型处理，既控制成本又缩短整体耗时。Anthropic的Claude Code等产品已原生支持此类编排，开发者可在配置文件中指定不同任务类型对应的模型。Sonnet 5.5在代码库审计等信息密集型预处理任务上的高速表现，使其天然契合这一架构中的子Agent角色。

订阅额度与对OpenAI的碾压

Theo还透露了真实的订阅使用数据：在200美元的Claude Code套餐上，他每周能跑出约2300美元的API等值用量，折合一个月近10000美元——足够用这些模型跑很远。

在Fish Slop游戏Demo上，Sonnet 5.5用了超过3.5倍于Opus的输入token，最终成本却相近。但成果质量"是我见过最好的之一"，3D鱼类、珊瑚、海藻、外星人都有可辨认的精致设计，游戏在笔记本上以流畅的120 FPS运行。按API价格算仅16美元，走订阅则"超级便宜"。

Theo最后把矛头对准OpenAI："他们在所有最擅长的地方都输了。没有最聪明的模型，没有最高效的模型，没有最便宜的模型，没有最适合调用其他模型的模型。"他直言200美元的Codex套餐给他的实际代码产出，远不及同价位的Claude订阅。

结论

Sonnet 5.5是一个有趣的悖论：单看跑分和价格它并不惊艳，前端弱、token不省、直接用性价比不高。但作为Opus和Fable家族的编排工具，它在代码库深度审计、假设验证等侦查型任务上展现出惊人的速度与性价比。正如Theo所说，他本人不会常用这款模型，但他希望自己的Opus会用它——因为这里确实藏着真正的价值。