AI TOOL · 型号拆解 ｜ 2026-09-29 便宜一半的那个，在考编程的卷子上多拿了 4.2 分 70.6% 对 66.4% ｜ $2/$10 对 $4/$20 ｜ 最高档单任务 $7.60
先说一个我上周亲眼见到的场面。
同事为了"稳"，把一个日常改 bug 的活切到了最贵的那档模型，档位也拉满。活干得没问题——多花了两小时，账单进了公司成本看板的前三名。他盯着那条曲线看了半天，说了一句：原来我不是在为聪明付钱，是在为它多想付钱。
巧的是，隔几天 Anthropic 扔出来一份数据，把这句话坐实了：同一家公司里，便宜一半的那个模型，在一个专门考编程的测试上，把旗舰干翻了。
PART 01 · PAIN POINTS · 翻车现场
先把话说清楚，翻车的从来不是"旗舰模型不行"，是我们选模型的姿势不行。
大多数人的选型逻辑就一条：榜单第一名是谁，就用谁。这条逻辑在过去两年基本管用——贵的就是强的，强的就是贵的，中间没什么可讨价还价的。
但 9 月 28 号这天，这条逻辑第一次在自家院子里被打脸。Anthropic 发布 Claude Sonnet 5.5，官方公布的 Terminal-Bench 4.0 分数是 70.6%。而六天前刚发布的旗舰 Opus 5.5，同一项测试是 66.4%。
Terminal-Bench 不是什么花哨的考试。它考的是：给一个 AI 一串命令行，让它自己在真实环境里把活干完——查文件、跑脚本、改配置、验证结果——算它完成了多少百分比。这是目前最接近"程序员真实工作"的评测之一。
也就是说：中杯比大杯多拿了 4.2 分，价格是大杯的一半。
翻车现场第二幕发生在账单上。同一份数据里藏着另一组数字，稍后细说——但它足够让所有"为了保险起见拉满档位"的人后背发凉。
PART 02 · THE NUMBERS · 把两套分数摊开
先看官方口径和独立口径，这两套数字经常被混着用，其实是两回事。
Anthropic 官方公布（每行三个数字，顺序是 Sonnet 5.5 ｜ Sonnet 5 ｜ Opus 5.5）：
- Terminal-Bench 4.0：70.6% ｜ 10.3% ｜ 66.4%
- CursorBench 4.0：55.5% ｜ 34.1% ｜ 57.8%
- GDPval-AA v2.1：1844 ｜ 1449 ｜ 1846
- OSWorld 2.1（计算机操作）：80.1% ｜ 57.0% ｜ 81.8%
- Chartography（读图表，不给工具）：61.6% ｜ 15.6% ｜ 64.4%
- 价格（输入/输出，每百万 token）：$2 / $10 ｜ $2 / $10 ｜ $4 / $20
注意最后一行：Sonnet 5.5 跟中杯前辈一个价，只有旗舰的一半。
第三方独立评测机构 Artificial Analysis 的跑分：
- Terminal-Bench 4.0：Sonnet 5.5 63.6%，Opus 5.5 59.6%，OpenAI GPT-6 Astra 59.1%
- 综合智力指数：Sonnet 5.5 是 56 分，只落后 Opus 5.5 两分，领先 GPT-6 Astra 三分
两套数字放在一起看，结论是稳的："中杯反超大杯"不是单家自己吹的，独立测也认。 第三方给出的差距小一些（4 分 vs 4.2 分），但方向一致。
这里必须补一句公道话：Opus 5.5 没有变弱。 在 GDPval-AA 这种模拟真实职业工作的测试上，它 1846 分，Sonnet 5.5 是 1844 分——两分之差，基本等于打平。在计算机操作（OSWorld 2.1）上它 81.8% 对 80.1%，也还是略高。
所以准确的说法不是"旗舰不行了"，而是：中档模型把旗舰的差距，压缩到了两分的量级。 而两分的差距，卖一半的价钱。
PART 03 · WHY · 便宜的那个凭什么赢
这里有个反直觉的地方要说透：Sonnet 5.5 变强，不是因为"模型变聪明了"，是因为它"干活更利索了"。
举个生活里的例子。你去修车，遇到两个师傅：一个手艺好但喜欢边修边讲课，一个手艺差不多但手上不停。最后交车快的那个，不一定是手艺更好的那个——是他废话少、不绕路、一次把活干对。
Sonnet 5.5 主要提升的就是后面这件事。官方和第三方实测里，几个数字很说明问题：
- 输出速度比 Sonnet 5 提升 30% 以上
- 企业侧的实测：金融数据公司 Balyasny 在一组 2441 个任务的金融评测上，单题 token 消耗从 497,000 降到 121,000，减少 76%
- 协作工具 Slack 在没改任何 prompt 的情况下，离线评测的输出 token 少约 14%
- 客服系统 Zendesk 的工单处理快了 20%；文档协作平台 Box 快了 2.4 倍，token 少 12%
- 应用生成平台 Base44 跑了 118 个真实 app 构建：Sonnet 5.5 平均迭代 3.6 次，对比 Opus 5 的 7.7 次，且失败的工具调用最少
再看一个跨度最大的：读图表（Chartography，不给任何工具），Sonnet 5 只有 15.6%，Sonnet 5.5 直接跳到 61.6%。这不是"调优"，这是换了个东西。
还有个挺有意思的彩蛋：Anthropic 说 Sonnet 5.5 是第一个只靠看截图就通关《宝可梦 红》的 Sonnet 模型。听起来像整活，但它考的是"长链条视觉规划"——看图、判断、行动、再判断，一跑好几个小时。这件事跟 AI 替你干长活的能力，是同一个底层能力。
PART 04 · THE REAL KNOB · 真正决定账单的是档位
现在说回那句让我后背发凉的话。
Anthropic 的说法是：Sonnet 5.5 在多数任务上能省 30% 的成本。这句话没毛病——但它有隐藏条款。
第三方 Artificial Analysis 独立跑完给出的结论是：在最高思考档（Max effort）下，Sonnet 5.5 每个测试任务写了大约 193,000 个输出 token，是这家机构测过的所有模型里最多的，比 Opus 5.5 高出约 60%。折成钱是 $7.60 一个任务，比 Sonnet 5 还贵约 50%。
一边说省 30%，一边测出贵 50%。这两件事不矛盾——档位不同。官方那句"省 30%"的前提是你在低档或中档跑；你把思考档拉满，省下来的钱会被它多想出来的那部分吐回去。
而档位默认值本身就埋着坑：
- Claude Code 和 Anthropic 自家应用，默认是中档（Medium）
- Claude Platform（API 直调）默认的是高档（High）
也就是说，同一家公司，桌面端和 API 端的默认油门深度不一样。你要是直接调 API，默认就是踩得比较深的那个。
官方给的省钱参考是：低档的 Sonnet 5.5，用大约十分之一的成本，超过了 Sonnet 5 的最好成绩。 这句话是整份材料里最实用的一句。
翻译成一句人话：你多花的钱，买的不是"更聪明的模型"，是"它想更久"。 而想的更久，和干得更好，不是一回事。
PART 05 · CASE · 三种活怎么选
道理讲完，落到具体。下面三个场景，是我按官方分工口径和实测数据整理的，可以直接对号入座。
CASE 1｜日常改 bug、写脚本、补测试
需求：边界清楚的活，改一个 bug、加一段脚本、补一批单测，要求快、便宜、别出幺蛾子。
方案： 1. 用 Sonnet 5.5，档位留在中档，不要动 2. 别为了"保险"手动切旗舰——这一档的活，旗舰的额外判断力基本用不上 3. 跑完抽查结果，别跳过验证
输出：官方定位里，Sonnet 5.5 明确就是为这类"边界清楚的日常任务"准备的；速度比上一代快 30% 以上，成本还更低。
CASE 2｜批量代码审查
需求：一堆 PR 要过审，量大、要一致、要便宜。
方案： 1. 把简单和中等复杂度的审查整体迁到 Sonnet 5.5 2. 只把最绕的那几个 PR 留给旗舰 3. 建立"迁移后出问题"的抽样回查
输出：代码审查工具 CodeRabbit 的 AI 负责人公开表示，Sonnet 5.5 判断力比上一代好，同时输出 token 明显更少，他们已经把简单和中等审查迁过去了。
CASE 3｜架构级重构、跨系统改动
需求：目标本身说不清、要持续判断、改错了代价大。
方案： 1. 这种活继续用旗舰，别省 2. 官方给的分工口径就是：Opus 负责架构，Sonnet 负责实现 3. 用旗舰定方案，用中档批量实现
输出：在需要持续判断的复杂开放任务上，官方明确说 Opus 5.5 仍然明显更强。这笔钱是省不掉的。
PART 06 · TODAY · 今天就能改的三件事
如果你现在就在用 Claude Code，有三件事今天就能动手，不用等任何审批。
第一，确认你的默认档位。 Claude Code 从 v2.1.284（9 月 28 日）起，sonnet 这个别名已经指向 Sonnet 5.5，原本用默认 Sonnet 的人会自动切换，不用改配置。但注意——Claude Code 的整体默认模型仍然是 Opus 5.5，想用中档得自己执行 /model sonnet 切过去。而且 Claude Code 里关不掉思考功能，这事得知道。
第二，把花销打开来看。 同一个版本里，网关的花销限制开始按美元直接显示了，比如"本月已花 $271.40 / $500.00"，不再只给你一个百分比。以前你只知道快超了，现在你知道超了多少钱。
第三，如果你的系统是直接调 API，检查一下 effort 设置。 API 端默认是高档，很多人的代码是从上一代模型抄过来的，effort 参数大概率是照抄的旧值。官方给的建议很直接：拿旧模型的 effort 设置套新模型，是白白烧钱和时间。
顺手记一下迁移的坑：从 Sonnet 5 升级不是改个模型名那么简单。原来关掉思考（thinking）的调用，要换成 between_tools；tool_choice 里 any / tool 这两个取值会直接返回 400，得改成 auto 配合 strict: true；计算机操作相关的调用要迁到新的工具集。
另外补两条背景：这是第一个配了网络安全防护的 Sonnet——遇到高风险的网络安全类请求，官方会把它转回 Sonnet 5 处理，而不是让新模型直接干。还有，小一号的 Haiku 5.5 会在接下来几周发布。竞品那边，OpenAI 上周已经把 GPT-6 Sol 降到 $2/$10，中档的 GPT-5.6 Terra 刊例是 $2/$12——中档这一格的仗，已经打起来了。
SUMMARY · 一句话结论
别再用"哪个最贵"来选模型了。真正该问的是：这个活的边界清不清楚。 边界清楚，中档就够，而且更快更便宜；边界模糊、要持续判断，再上旗舰。至于省不省钱，不取决于你选了哪个模型，取决于你把思考档放在了哪里。
参考来源：Anthropic 2026-09-28 官方发布；第三方评测机构 Artificial Analysis 独立跑分；Claude Code v2.1.284 版本说明；Decrypt、Unite.AI 等公开报道。文中官方分数与第三方分数口径不同，已分别标注，不做直接互换。
如果这篇帮你把模型账单看明白了，点个关注。这个号只写一件事：AI 工具到底该怎么用，钱花在哪、坑在哪。 这类"工具到底值不值这笔钱"的账，我会一直算下去。