Claude Sonnet 5 API：价格、在线体验与示例

项目编程：围绕明确方案完成实现与局部修改

我们认为，方案已经明确时，可以用 Claude Sonnet 5 来实现功能、做局部重构或修复问题。在客户的反馈中，他一般使用 Sonnet 负责协调与实现，Opus 处理架构和难题，项目最终完成，期间有两次需要换成 Opus 才能继续。

我们觉得这种分工值得借鉴：先把接口、影响范围和验收条件说清楚，再让 Sonnet 5 动手。遇到架构调整，或改了几轮仍过不了测试，我们建议重新检查方案，也考虑更换模型。单价低，不代表反复重试后仍然省钱。当然，这只是其中一个客户的项目案例，我们仍然建议你在打算切换到 Sonnet 5之前进行实际的业务场景测试。

工具协作：根据错误反馈恢复流程并继续执行

我们的其中一个客户向我们分享了 Agent 的接入体验。按他的描述，Sonnet 5 能一次处理复杂的编辑要求。遇到提示不明的错误后，它会重新调用工具读取数据结构，查找输入问题并尝试恢复。但是他同时也提到，模型曾跳过另一项无法执行的输入，且没有告知用户这个问题。

我们认为，在使用Sonnet 5时需要检查模型返回的内容，以及最终写入的数据是否正确，速度快，不代表它返回的内容符合你的要求。

长文分析：联合处理规范、代码与业务资料

我们会用 Sonnet 5 的长上下文对照多份资料：比较不同版本的需求、检查代码是否符合接口约定，或找出散落在各份文档中的业务条件。Artificial Analysis 的 AA-LCR v1.1 对比中，Sonnet 5 Max 的成绩约为 82%。这项评测使用约 1 万至 10 万 Token 的文档，考察模型能否跨段落提取信息、推理并归纳结论。Sonnet 5 长文成绩 · AA-LCR 测试方法

我们建议先定义要解决的问题，再整理输入资料，回答保留文件名、章节和关键引用，这样可以方便你校对他的答案是否符合你的要求。输入接近百万 Token 时，我们建议单独检查是否漏掉信息。82% 的成绩来自上述文档长度范围，当然，在实际的业务场景中，我们不建议你输入接近百万token，从我们的实际使用经验来看，这很明显会影响输出质量。

业务写作：把已有事实整理成目标读者能理解的说明

我们的其中一个客户向我们分享了他的场景，他在 API 自动化流程中用 Sonnet 5 写客户邮件、短信，也用它把 Git diff 整理成非技术读者能看懂的变更摘要。他对这些用途评价不错，特别提到文字好读，很人性化，模型也能按系统提示词的要求写。

我们认为，业务场景的不同，会对文字好读这个概念有不一样的要求，产品更新说明、工单回复、帮助文档，这些相对来说会要求不那么严格。而普通的文章分享或者心得体会，可能就需要人来进行大部分的修改和优化。

界面开发：结合截图与设计规范生成可修改的前端

我们会优先用 Sonnet 5 修改已有界面，或开发设计要求已经明确的页面。Anthropic 的提示指南指出，前端需求过于开放时，模型可能反复采用相似的默认视觉风格。想让结果有所不同，需要给出具体的设计约束，约束模型的自我发挥。官方前端提示建议

我们客户群的反馈也有分歧：一些人表示，用 Sonnet 5 重做此前由 Sonnet 4.6 完成的界面时，视觉效果没有达到他的预期。但是其他一些客户表示Sonnet5的表现还不错

我们因此建议把页面截图、组件规范、字体和布局要求一起提供给模型。拿到页面后，分别检查功能能不能用、设计有没有还原，以及不同屏幕上的显示效果。项目已有成熟设计系统时，我们建议沿用现有组件，把需要改的地方写清楚，少让模型从头设计和自我发挥。

终端任务：Terminal-Bench 4.0 的独立成绩约为 14%

Artificial Analysis 的同口径对比，Sonnet 5 Max 在 Terminal-Bench 4.0 上约为 14%，Sonnet 4.6 Max 约为 3%。这套评测包含 66 项终端任务，使用 mini-swe-agent，每项重复三次并计算平均单次通过率；任务内的全部测试通过才计为成功。模型成绩对比 · Terminal-Bench 4.0 方法

我们认为，Sonnet 5 在这套测试中比上一代有进步，但仍有不少高难度终端任务做不出来。我们不建议你使用 Sonnet 5完成特别复杂的任务，但是当任务比较明确，颗粒度又比较小的时候，Sonnet 5 可能是一个比较好的选择。

项目编程：CursorBench 4.0 从 High 到 Max 增加 3.3 个百分点

CursorBench 4.0 使用来自真实开发流程的项目任务。主办方公布的 Sonnet 5 部分结果如下，成本根据对应任务的 Token 用量和公开价格计算。CursorBench 4.0 原始榜单

我们更关注 high 到 max 的成本对比：成绩增加 3.3 个百分点，平均任务成本却超过两倍。我们建议日常开发先比较 medium 与 high。如果在你的场景中问题反复卡住，我们建议使用Opus 5.5或者Opus 5来解决，而不是把思考模式升级到更高层次。

知识工作：GDPval-AA v2.1 达到 1465 Elo

在 Artificial Analysis 的 GDPval-AA v2.1 对比中，Sonnet 5 Max 为 1465 Elo，Sonnet 4.6 Max 为 1234 Elo。这项评测使用 220 道任务，覆盖 44 个职业和 9 类行业，让模型在工具环境中提交文档、表格和演示等产物，再通过匿名成对比较形成评分。Sonnet 5 与上一代的成绩 · GDPval-AA v2.1 评测方法

我们认为，这项结果可以帮助判断模型能否做好要交给别人使用的文档、表格等文件。评估报告整理、业务分析和办公助手时，我们建议直接给一份完整任务：该用的材料有没有用上，数字对不对，文件能否打开，交给读者后能不能用。

业务自动化：AutomationBench-AA 的目标完成得分约为 37%

Artificial Analysis 的对比中，Sonnet 5 Max 在 AutomationBench-AA 上约为 37%，Sonnet 4.6 Max 约为 20%。这项测试覆盖 657 个任务，在模拟的邮件、表格、CRM 等业务应用中执行。模型得分对比

这项分数先统计每项任务的目标完成比例，再取平均值；违反任务约束则记零分。因此，37% 不代表“37% 的完整业务流程全部执行成功”。它与 Zapier 自身榜单的完整任务完成率也不是同一个口径，不能混用。AutomationBench-AA 评分说明

我们建议业务自动化环节边界清晰简单，并且需要反应速度快的场景下，可以用 Sonnet 5。如果你需要让它解决更复杂的问题，比如让它做决策，那么不建议你使用 Sonnet，可以使用 Opus 5.5 或者 Opus 5。

综合指数与生成速度：得分 38，输出约 80.5 Token/秒

Artificial Analysis 当前模型页将 Sonnet 5 Max 的 Intelligence Index v4.3.2 记为 38 分；对 Anthropic API 的输出速度测量约为每秒 80.5 Token。同一指数的加权平均每任务成本为 5.09 美元。Artificial Analysis 模型评测

交互频繁的功能，我们建议试试较低思考档位，比较等待时间和输出质量很关键。如果 medium/high 的输出也适用于你的业务场景，那么我建议你使用 Sonnet 5。

对比 Claude Sonnet 4.6：能力提高，Max 配置的任务费用也增加

Artificial Analysis 的 Max 配置对比中，Sonnet 5 与 Sonnet 4.6 的综合指数分别为 38 和 30，加权平均每任务成本分别为 5.09 美元和 2.49 美元。两者公开输入／输出单价分别为每百万 Token 2／10 美元和 3／15 美元；Sonnet 5 的 Token 单价更低，但在这套测试中的任务费用更高。Sonnet 5 与 Sonnet 4.6 对比

还在使用 Sonnet 4.6 的团队，我们建议先看升级后工具协作和项目执行有没有改善，同时重新调整思考档位与输出预算。如果 Sonnet 5 在 medium 或 high 就能稳定完成任务，我们认为没必要继续使用最高档位。

对比 GPT-6 Astra：复杂工程任务值得按实际消耗重新比较

Artificial Analysis 的 Max 配置对比中，GPT-6 Astra 与 Sonnet 5 的综合指数分别为 53 和 38，Terminal-Bench 4.0 成绩按页面取整后分别为 59% 和 14%。虽然 Astra 的 Token 单价更高，它在这套综合测试中的加权平均每任务成本为 3.26 美元，低于 Sonnet 5 的 5.09 美元；对应的平均每任务输出量也更少。GPT-6 Astra 与 Sonnet 5 对比

如果业务主要涉及复杂代码修改、终端操作，或需要反复验证的工程任务，我们建议重点对照 GPT-6 Astra，以我们目前为止的使用经验来说，复杂工程 GPT-6 Astra 相对于 Sonnet 5 来说是更好的选择

对比 DeepSeek V4 Pro：批量文本任务有明显的成本对照价值

在 Artificial Analysis 的 Max 配置对比中，DeepSeek V4 Pro 0813 与 Sonnet 5 的综合指数分别为 36 和 38，AA-LCR v1.1 长文成绩分别约为 80% 和 82%；加权平均每任务成本则分别为 0.67 美元和 5.09 美元。两者输入能力也有区别：这里的 DeepSeek V4 Pro 为文本输入，Sonnet 5 支持文本和图像输入。DeepSeek V4 Pro 与 Sonnet 5 对比

做资料归纳、文本提取和批量草稿时，我们建议把 DeepSeek V4 Pro 放进成本测试，如果你想测试 DeepSeek V4 PRO 和 Sonnet 5 的多模态能力，我们建议你一定要拿业务中的真实场景来测试，因为在我们的客户反馈中，有的用户在使用 Sonnet 5 的多模态时无法满足其业务要求，但是另一部分用户却反馈 DeepSeek V4 PRO 的能力不足以承担业务。

按需计费与模型成本优化

按当前 API Hop 单价和实际用量计费，按需充值。

统一 AI模型 与数据 API，一站式多模型接入

一个密钥多个AI模型和数据模型，节省对接成本，一键切换，业务需要的场景必然是AI+数据

调用记录与应用权限控制，每一次调用明明白白

每一笔调用记录都可以在后台查到，可以设置多个密钥对应不同的应用

按任务验收模型输出

通过 API Hop 使用文档列出的模型 ID 与支持参数。按自己的验收标准评估输出，投入生产前核对用量记录与响应元数据；模型名称或演示样例不保证每次结果。

准备账户并进行在线测试

登录并确认余额，创建一个 API 密钥。

在 Playground 中体验

可以在 Playground 中体验模型的能力，确定最佳的模型使用方案。

将 Claude Sonnet 5 集成到你的业务中

根据我们提供的开发文档，将 Claude Sonnet 5 集成到业务中。

后续的模型升级

升级前先确认 API Key 的模型列表已返回新型号的准确 ID。仅在新旧模型支持相同接口和请求字段时更换 model，并验证返回格式、流式行为、输出上限与费用后再切换生产流量。涉及异步图片或视频任务时，还应验证任务提交、状态查询与结果获取流程。