модель · Anthropic · вышла 29 сентября 2025
Claude Sonnet 4.5
Устаревшая модель средней линейки Anthropic для программирования и агентов, её сменили Sonnet 4.6, Sonnet 5 и нынешняя Sonnet 5.5
О модели
Claude Sonnet 4.5 — модель из средней линейки Sonnet. Она стоит между лёгкой Haiku и старшей Opus. На момент выхода Anthropic называла её лучшей в мире моделью для программирования, для создания агентов и для управления компьютером. Агенты — это программы, которые сами выполняют задачу в несколько шагов. По словам компании, модель может больше 30 часов подряд не терять нить сложной многошаговой задачи.
По замерам лаборатории, модель заметно обошла Sonnet 4. В бенчмарке OSWorld, где ИИ выполняет настоящие задачи за компьютером, у неё 61,4% против 42,2% у Sonnet 4. В SWE-bench Verified, где нужно исправлять ошибки в реальных проектах с открытым кодом, результат 77,2%. Если запускать несколько попыток параллельно и выбирать лучшую, выходит 82%. Эксперты в финансах, праве, медицине и естественных науках, по данным компании, оценили её знания в своих областях заметно выше, чем у прежних моделей, в том числе у более дорогой Opus 4.1. Цена осталась как у Sonnet 4, поэтому Anthropic предлагала её как прямую замену без переделки кода.
Вместе с моделью Anthropic обновила Claude Code. Появились контрольные точки, к которым можно откатить изменения, и расширение для редактора VS Code. Разработчикам открыли Claude Agent SDK — набор инструментов, на котором построен сам Claude Code. В API добавили редактирование контекста и инструмент памяти, чтобы агенты могли работать дольше. Модель брали для программирования, долгих агентных задач и работы в браузере и приложениях. Anthropic называла её своей самой выровненной передовой моделью, то есть лучше всех прочих следующей намерениям людей: по замерам компании, она реже поддакивает пользователю, обманывает и стремится получить больше власти.
Модель выпущена с защитой третьего уровня (ASL-3) по шкале безопасности Anthropic. Встроенные фильтры отсекают опасные сведения о химическом, биологическом, радиологическом и ядерном оружии. Компания признаёт, что они иногда срабатывают на безобидные запросы, хотя таких ошибок стало в десять раз меньше, чем в начале. Сейчас в документации Anthropic модель числится среди устаревших, но ещё доступна. Компания обещала не отключать её раньше 29 сентября 2026 года. Её сменили Sonnet 4.6, Sonnet 5 и нынешняя Sonnet 5.5, причём Sonnet 5.5 стоит дешевле.
источники:Анонс Claude Sonnet 4.5 ↗Обзор моделей Claude в документации ↗Статусы и сроки отключения моделей ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг64место из 268индекс 147вероятный разброс 145–148
- DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗72,0%
- LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗45,6%
- Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗8,6%
- EBR-benchУчится ли модель на опыте: она раз за разом играет в малоизвестную карточную настольную игру Earthborne Rangers и ведёт заметкиБалл — доля из 21 игровой цели в лучшей из двух итоговых партий после тренировочных; сам по себе он не показывает, выросла ли модель.Подробнее на английском ↗2,4%
- FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗2,4%
- FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗23,9%
- ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗19,0%
- Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗7,4%
- Remote Labor IndexНастоящие заказы с фриланс-площадок — дизайн, архитектура, анализ данных, программирование — выполняемые агентом целикомЧисло — доля заказов, выполненных так, что заказчик принял бы работу; даже у лидеров это немного.Подробнее на английском ↗2,1%
- GDPvalРеальные рабочие задачи из 44 профессий — юридические записки, таблицы, слайды, планы ухода; результат оценивают экспертыЧисло — доля задач, где эксперты сочли работу модели не хуже работы профессионала; 50% означает паритет с человеком.Подробнее на английском ↗42,5%
- SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗30,7%
- DeepResearch Bench100 исследовательских заданий уровня аспирантуры из 22 областей: агент ищет в интернете и пишет аналитический отчёт со ссылкамиБалл — не доля верных ответов: модель-судья оценивает качество отчёта в сравнении с эталонным, отдельно проверяются ссылки.Подробнее на английском ↗52,6%
- GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗14,7%
- Terminal BenchЗадачи в командной строке по мотивам реальной работы: агент сам выполняет их в терминале, результат проверяют автотестыПодробнее на английском ↗46,5%
- ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗13,6%
- METR Time HorizonsНасколько долгие для человека задачи по программированию, машинному обучению и кибербезопасности агент решает самостоятельноРезультат — не процент, а время: длительность задачи (по времени работы эксперта), которую модель решает примерно в половине случаев.Подробнее на английском ↗67,4%
- VPCTПо картинке с горками и препятствиями модель должна предсказать, в какое из трёх вёдер упадёт шарикВёдер три, поэтому наугад можно набрать около 33%; люди в проверке решили все задачи.Подробнее на английском ↗9,7%
- HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗9,4%
- WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗47,7%
- OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗77,8%
- SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗45,2%
- Cybench40 задач по взлому (Capture the Flag) с профессиональных соревнований: криптография, веб, реверс-инжиниринг, эксплуатация уязвимостейПодробнее на английском ↗60,0%
- SWE-Bench verifiedНастоящие задачи из GitHub по проектам на Python: модель правит код, а тесты проверяют, решена ли проблемаПо оценке Epoch, в 5–10% задач есть ошибки, поэтому 100% недостижимы; Epoch считает результат по 484 задачам из 500.Подробнее на английском ↗71,3%
- OSWorldАгент выполняет задачи на настоящем компьютере — в Ubuntu, Windows и macOS, в обычных программах и браузере, иногда в нескольких сразуЛюди в этом тесте справляются примерно с 72% задач, так что результат около этого уровня уже соответствует человеческому.Подробнее на английском ↗62,9%
- GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗76,4%
- MATH level 5Самые трудные задачи (5-й уровень) из набора MATH — задачи американских школьных олимпиад AMC 10, AMC 12 и AIMEТест близок к насыщению: у сильных моделей результаты почти одинаковые и высокие, разница в несколько пунктов мало что значит.Подробнее на английском ↗97,7%
- ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗63,7%
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).