модель · Anthropic · вышла 17 февраля
Claude Sonnet 4.6
Устаревшая рабочая модель Anthropic среднего уровня для программирования, агентов и документов, её сменила Sonnet 5
О модели
Claude Sonnet 4.6 — модель средней линейки Anthropic. Эта линейка стоит между самой сильной и дорогой Opus и лёгкой Haiku. Модель может ответить сразу или сначала подумать, а в режиме адаптивного мышления сама решает, сколько рассуждать над задачей. Она вызывает внешние инструменты: поиск в интернете, выполнение кода, память между сессиями. Сразу после выхода Sonnet 4.6 стала моделью по умолчанию в Claude.ai и Claude Cowork на бесплатном тарифе и тарифе Pro.
Anthropic назвала её полным обновлением Sonnet 4.5. Модель стала лучше программировать, управлять компьютером, рассуждать и планировать в агентных задачах (когда модель сама выполняет цепочку шагов). Выросли и её навыки в офисной работе и дизайне. В Claude Code разработчики с ранним доступом выбирали её вместо Sonnet 4.5 примерно в 70% случаев, а вместо прошлого флагмана Opus 4.5 — в 59%. По их отзывам, она реже усложняет решения сверх нужного и реже ленится, реже ложно сообщает, что задача выполнена, и реже выдумывает факты. По замерам компании, на тесте OfficeQA, где модель разбирается в корпоративных документах, она выступает на уровне Opus 4.6.
Её берут для кода, особенно для интерфейсов сайтов, для поиска ошибок в больших кодовых базах, финансового анализа и разбора документов. Длинное контекстное окно позволяет загрузить в один запрос целую кодовую базу, объёмный договор или десятки научных статей. По словам Anthropic, модель удерживает весь этот материал, когда рассуждает. Управляя компьютером, она работает и со старыми программами без программного интерфейса (API): щёлкает мышью и печатает, как человек. Ранние пользователи, по данным компании, видели уровень человека в работе со сложными таблицами и в заполнении многошаговых веб-форм.
Для самых глубоких рассуждений Anthropic советовала Opus 4.6: переработку всей кодовой базы, координацию нескольких агентов и задачи, где нельзя ошибиться. Компания признаёт, что компьютером модель пока управляет хуже самых опытных людей. Тест OSWorld, на котором это проверяют, проходит в контролируемой среде и не передаёт всех сложностей реальной работы. Остаётся и риск инъекций в запрос — вредных указаний, спрятанных на страницах и в файлах. По замерам лаборатории, устойчивость к ним заметно выросла и сравнялась с Opus 4.6. Позже линейку продолжили Sonnet 5 и Sonnet 5.5.
источники:Анонс Claude Sonnet 4.6 ↗Системная карта Claude Sonnet 4.6 ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг38место из 268индекс 152вероятный разброс 150–155
- 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 ↗83,1%максимальное
- 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 ↗54,7%максимальное
- Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗7,5%
- OSWorld 2.0Долгие задачи на настоящем компьютере в десктопных и веб-приложениях; у человека уходит около 1,6 часа на задачуЗадача оценивается по многим взвешенным контрольным точкам, поэтому засчитывается и частичное выполнение.Подробнее на английском ↗9,3%среднее
- FrontierCodeМодель исправляет проблему в открытом проекте, а правку оценивают по тому, приняли бы её сопровождающие проектаБалл выставляют по критериям сопровождающих и усредняют по пяти запускам; если нарушен хотя бы один обязательный критерий, за задачу ставят ноль.Подробнее на английском ↗24,3%
- DeepSWE113 долгих задач по программированию в 91 открытом проекте на пяти языках; задачи написаны с нуля и не публиковалисьEpoch нашла, что примерно в 20% задач проверка отклоняет верные решения, поэтому реальный потолок заметно ниже 100%.Подробнее на английском ↗29,9%высокое
- ExploitBenchНаписание эксплойтов для 41 реальной уязвимости движка V8 — от вызова сбоя до выполнения произвольного кодаВзлом разбит на 16 ступеней, и засчитываются промежуточные, так что балл не равен доле полностью взломанных уязвимостей.Подробнее на английском ↗23,6%
- ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗45,0%максимальное
- APEX-Agents480 многошаговых рабочих задач из инвестбанкинга, консалтинга и корпоративного права: агент работает с файлами, почтой, таблицамиЗадача засчитывается, только если выполнены все пункты экспертного списка критериев; проверяет их другая модель.Подробнее на английском ↗43,0%высокое
- Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗8,5%максимальное
- 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 ↗35,5%максимальное
- FrontierMath-Tier-4-2025-07-01-PrivateСамый сложный уровень FrontierMath: исследовательские задачи по математике, на которые у математика уходят часы или дниРезультат посчитан на закрытом наборе задач версии от июля 2025 года; в 2026 году вышла исправленная версия, и числа двух версий не сравнимы.Подробнее на английском ↗13,8%
- 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 ↗54,9%высокое
- Terminal BenchЗадачи в командной строке по мотивам реальной работы: агент сам выполняет их в терминале, результат проверяют автотестыПодробнее на английском ↗53,4%
- 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 ↗60,4%высокое
- FrontierMath-2025-02-28-PrivateНеопубликованные задачи FrontierMath (уровни 1–3) в версии от 28.02.2025: трудная математика, над которой специалист сидит часамиПодробнее на английском ↗56,8%
- 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 ↗66,1%среднее
- OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗85,8%максимальное
- 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 ↗75,2%
- 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 ↗72,1%
- 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 ↗83,2%максимальное
- ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗86,5%высокое
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).