Модель · Anthropic
Claude Sonnet 5
Рабочая модель Anthropic для программирования, агентов и повседневных задач, по замерам компании близка к Opus 4.8 и дешевле её
вышла 29 июня
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиШкала условная (Claude 3.5 Sonnet = 130, GPT-5 = 150); интервал — 90-процентный диапазон оценки, и модели с перекрывающимися интервалами надёжно не различаются.Подробнее на английском ↗
20 место из 266
индекс 156, вероятный разброс 154–159 · весь рейтинг →
| Бенчмарк | РезультатОбычно — доля заданий теста, которые модель решила. У некоторых тестов свой счёт; как он устроен, сказано в пояснении к названию теста | УсилиеНасколько долго модель рассуждала перед ответом, когда её проверяли: низкое, среднее, высокое, очень высокое, максимальное. Чем выше усилие, тем обычно выше результат — и тем дольше и дороже ответ. Показан лучший результат и усилие, на котором он получен |
|---|---|---|
| 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 ↗ | 87,5% | 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 ↗ | 58,0% | максимальное |
| Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗ | 28,4% | |
| Surface Evolver Bench16 задач: описать для физической программы Surface Evolver форму жидкости под действием поверхностного натяжения, гравитации и ограниченийЗасчитывается частичное выполнение: отдельные баллы за корректный файл, успешный прогон симуляции и совпадение объёма, площади и энергии с эталоном.Подробнее на английском ↗ | 60,0% | среднее |
| FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗ | 29,3% | максимальное |
| FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗ | 65,6% | максимальное |
| 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 ↗ | 42,7% | |
| 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 ↗ | 53,8% | максимальное |
| ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗ | 77,0% | 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 ↗ | 32,5% | |
| Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗ | 31,6% | очень высокое |
| 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 ↗ | 33,7% | очень высокое |
| GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗ | 37,2% | |
| 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 ↗ | 68,8% | высокое |
| OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗ | 94,7% | максимальное |
| 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 ↗ | 52,7% | |
| 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 ↗ | 87,4% | максимальное |
Характеристики
- Вышла
- 29 июня
- КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена
- 1 млн токенов
- Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть
- до 128 тыс. токенов
- Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки
- $2 за миллион токенов
- Вход из кэшаЦена входа для повторяющегося начала запроса, которое лаборатория уже сохранила у себя. В длинной переписке и у агентов это большая часть входа — и в разы дешевле
- $0,20 за миллион токенов
- Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения
- $10 за миллион токенов
- Понимает
- текст, изображения, PDF
- Отвечает
- текст
- РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах
- да
- Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты
- да
- ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории
- закрытые
- Знания до
- январь 2026
- Идентификатор в API
- claude-sonnet-5
Что это за модель
Claude Sonnet 5 — модель среднего класса в линейке Claude. Anthropic называет её самой агентной из всех Sonnet. Агентной — значит, модель сама строит план, работает с браузером и терминалом и долго выполняет задачу без участия человека. По словам компании, раньше такой уровень самостоятельности был только у более крупных и дорогих моделей. В чат-боте Claude она стала моделью по умолчанию для бесплатного тарифа и тарифа Pro.
По замерам Anthropic, Sonnet 5 заметно обходит прошлую версию, Sonnet 4.6, в рассуждениях, работе с инструментами, программировании и интеллектуальном труде. В агентном программировании и управлении компьютером она почти догоняет старшую Opus 4.8, а в части офисных задач даже обходит её. Компания приводит результаты тестов: 85,3% в OSWorld-Verified, где модель управляет компьютером, и 54,2% в Humanity's Last Exam с инструментами. Настройка усилия позволяет выбирать между ценой и качеством. На высоком усилии, как заявляет Anthropic, модель на части задач выходит на уровень Opus 4.8.
Первые клиенты применяли её для долгих многошаговых задач в разработке: модель сама ищет ошибки и исправляет их, разбирает сложные запросы на слияние кода. Ещё её берут для автоматизации корпоративных процессов, юридических исследований и страховых процессов. По оценке Anthropic, она реже галлюцинирует и реже поддакивает пользователю, чем Sonnet 4.6. Кроме того, она лучше отказывает во вредных просьбах и лучше сопротивляется подброшенным вредоносным инструкциям (prompt injection).
У модели есть оговорки. Новый токенизатор, то есть способ нарезать текст на токены, улучшил качество, но тот же текст теперь занимает примерно в 1–1,35 раза больше токенов, а значит, запрос стоит дороже. В опасных навыках кибербезопасности модель заметно слабее Opus 4.8: в тесте на уязвимостях Firefox она не написала ни одного рабочего эксплойта, и защитные меры в этой области включены по умолчанию. По замерам компании, нежелательное поведение у неё встречается реже, чем у Sonnet 4.6, но несколько чаще, чем у Opus 4.8 и Mythos Preview.
Источники: Анонс Claude Sonnet 5, Страница линейки Claude Sonnet
Того же уровня по индексу Epoch
-
GPT-5.6 Luna
OpenAI19-е место в Epochконтекст 1,1 млн$0,20 / $1,20рассуждениядешевле в 8,3 раза
-
Claude Opus 4.7
Anthropic18-е место в Epochконтекст 1 млн$5 / $25рассуждениядороже в 2,5 раза
-
Gemini 3.8 Flash
Google16-е место в Epochконтекст 1 млн$0,75 / $3,75рассуждениядешевле в 2,7 раза
Другие модели семейства
-
-
Новости о модели
- 01
- 02
- 03
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).