2026 年 9 月 28 日，Anthropic 在官網發布〈Introducing Claude Sonnet 5.5〉，宣布 Claude Sonnet 5.5 上線。它主打與 Sonnet 5 相同的 API 單位價格，卻能更快、更省地完成日常工作。這篇發布文最值得拆開看的，不是「升級」兩個字，而是價格、每件任務的用量，以及不同測試方法得出的成績。
先看原文如何描述模型定位，再把官方數字與外部測量放在一起；最後回到一個實際選型問題：完成同一件工作，哪個模型花得少、錯得少？
Anthropic 賣的是「同價但每件工作更省」
Anthropic 把 Claude Sonnet 5.5 放在 Opus 5.5 之下：Opus 處理需要長時間判斷的開放式任務，Sonnet 5.5 接手範圍明確的程式修復、文件、簡報與試算表。官方列出的 API 標價是每百萬輸入 token 2 美元、輸出 token 10 美元；這與它宣稱的 Sonnet 5 價格相同。Anthropic 定價文件也列出 Sonnet 5 的這組價格。
it costs up to 30% less per task than its predecessor.
中文：每項任務的花費，最多比前代低三成。
Anthropic〈Introducing Claude Sonnet 5.5〉
這句話的關鍵是「每項任務」，不是「每百萬 token」。Anthropic 說新模型通常用更少 token 做完同一件事，輸出速度也快 30% 以上；兩個百分比都出自 Anthropic 自己的測試，原文沒有提供可直接套用到所有工作流程的固定省幅。
70.6% 與 53.03%：為何同一模型有兩個成績？
Anthropic 在自己的 Terminal-Bench 4.0 設定下，報告 Claude Sonnet 5.5 得到 70.6%，Sonnet 5 得到 10.3%。原文的成本對成績圖更清楚地表達它的主張：提高推理努力檔位，成績通常上升，但每次嘗試也更貴。
外部測試機構 Vals AI 的原始測試頁則在自己的 Terminal-Bench 4.0 測到 53.03% ± 1.51，並列為該項測試 37 個模型中的第 3 名。Vals 說它多數測試使用 Max effort，且讓部分被拒絕的請求由 Sonnet 5 伺服器端接手；若把這類 fallback 協助成功的任務改算失敗，該項得分成為 50.51%。
70.6% 與 53.03% 不能直接相減成「官方灌水了 17.57 個百分點」。測試執行環境、努力檔位、工具與 fallback 計分都可能不同。兩組數字能共同支持較窄的結論：這款模型在多步驟終端任務上值得測試；它們不能替你的程式庫、工作流程或成本預算保證相同結果。
外部排名很強，但領先幅度仍要細看
Vals AI 在 2026 年 9 月 28 日的 Vals Index，把 Claude Sonnet 5.5 列為 66 個模型中的第 2 名，綜合分數 69.22% ± 0.96；Opus 5.5 是 69.69%。相差 0.47 個百分點，小於該頁列出的 Sonnet 5.5 誤差幅度。Vals 的單次測試成本是 Sonnet 5.5 20.80 美元、Opus 5.5 32.77 美元；這是 Vals 測試組合的花費，不能當成你的 API 帳單預測。
benchmark scores capture only one facet of a model’s capabilities
中文：跑分只捕捉模型能力的一個面向。
Anthropic〈Introducing Claude Sonnet 5.5〉
Anthropic 自己也把 Opus 留給複雜、開放式、需要持續判斷的工作。這一點與 Vals 頁面呈現的細項差異並不衝突：Sonnet 5.5 在部分程式任務表現突出，但不同專業任務的名次並不一致。若只看綜合第 2 名，就容易把「適合某類工作」誤讀成「適合所有工作」。
我的判讀：便宜的是被驗收的成果，才不是輸出 token
我同意什麼
在標價相同的前提下，如果一個模型能用較少步驟交付同等品質，單件工作的成本就會下降。Anthropic 的內部對照與 Vals 的外部排名，都使 Claude Sonnet 5.5 成為值得放進候選清單的模型。對範圍清楚、可自動驗收的程式修復，這個價值尤其容易量化。
我存疑什麼
「最多省 30%」缺少可普遍套用的工作樣本；「輸出快 30% 以上」也不等於包含工具、排隊與人工複核的整體交付時間快 30%。Vals 也記錄了 fallback 的影響。只看模型輸出速度、token 單價或單一總分，會把重試、拒絕與驗收成本藏起來。
怎麼決定要不要換到 Sonnet 5.5？
取一組自己真會交付的任務，讓 Sonnet 5、Sonnet 5.5 與你目前使用的高階模型各跑同一批。先固定提示、工具與驗收標準，再記錄四件事：通過率、完成時間、每件合格成果的總 token 成本、人工修改量。把拒絕、fallback 和重試另列，才看得出差距來自模型能力，還是測試路徑。
如果 Sonnet 5.5 在這組任務上交出相同品質、較低的每件合格成果成本，就先把範圍明確的工作交給它；需要長時間規劃與判斷的任務，保留更強模型作為對照。這比把任何一張排行榜當成全域切換開關可靠。
