модель · Anthropic · вышла 30 июня
Claude Sonnet 5
Рабочая модель Anthropic для программирования и агентов, по замерам близкая к Opus 4.8; её сменила Claude Sonnet 5.5
О модели
Claude Sonnet 5 — модель среднего класса в линейке Claude, она стоит ниже старшей Opus. Anthropic называет её самой агентной из всех Sonnet. Агентная модель сама составляет план, работает в браузере и терминале и долго выполняет задачу без участия человека. По словам компании, ещё за несколько месяцев до её выхода такое умели только более крупные и дорогие модели. В чат-боте Claude она стала моделью по умолчанию на бесплатном тарифе и тарифе Pro.
По замерам Anthropic, Sonnet 5 заметно сильнее Sonnet 4.6 в рассуждениях, работе с инструментами, программировании и интеллектуальном труде. По результатам она близка к Opus 4.8, но стоит дешевле. Уровень усилия задаёт, сколько модель думает над задачей, и так можно выбирать между ценой и качеством. Компания заявляет, что на высоком усилии в агентном поиске и управлении компьютером модель местами выходит на уровень Opus 4.8. В сентябре 2026 года её сменила Sonnet 5.5: по словам Anthropic, она быстрее при той же цене.
Первые клиенты давали модели долгие многошаговые задачи в разработке: от планирования и написания кода до отладки и крупных переделок. Она разбирала запросы на слияние кода, прогоняла тесты и сама искала ошибки. Ещё её брали, чтобы доводить процессы до конца без человека: например, обновить запись в системе учёта клиентов и разослать уведомления. Среди сценариев также юридические исследования, анализ данных и страховые процессы в корпоративных системах.
У модели новый токенизатор, то есть новый способ нарезать текст на токены. По словам Anthropic, он повысил качество, но теперь тот же текст занимает в 1–1,35 раза больше токенов, а значит, запрос обходится дороже. По оценке компании, модель реже галлюцинирует и поддакивает пользователю, чем Sonnet 4.6. Она лучше отказывает во вредных просьбах и лучше сопротивляется вредоносным инструкциям, подброшенным в данные (prompt injection). При этом на автоматической проверке поведения у неё нашлось несколько больше нежелательных действий, чем у более сильных Opus 4.8 и Claude Mythos Preview. В тесте на уязвимостях Firefox она не написала ни одной рабочей программы для взлома, но защитные меры, которые блокируют опасные запросы о кибератаках, у неё всё равно включены по умолчанию.
источники:Анонс Claude Sonnet 5 ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг20место из 268индекс 156вероятный разброс 153–159
- 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 ↗58,8%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 ↗54,5%
- 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
Новости о модели
все упоминания · 32Anthropic выпустила Claude Sonnet 5.5 — быстрее Sonnet 5 по той же цене
Новая Sonnet в ряде тестов почти догоняет Opus 5.5, а задача на ней, по подсчётам Anthropic, обходится до 30% дешевле, чем на Sonnet 5.
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).