�Claude Sonnet 4.�Claude Sonnet 4.�Claude Sonnet 4.

<p class="f_center"><br><br></p> <p id="4B2ATU1L" style="text-align:center;">机器之心！编辑部</p> <p id="4B2ATU1M">大年初二，海外就？开始发新模型了！</p> <p id="4B2ATU1N">这次是 Anthropic，率先发布了他们称之为「我们目前能力最强的 Sonnet 模型」Claude Sonnet 4.6。</p> <p class="f_center"><br><br></p> <p id="4B2ATU1P">Claude 称，新模型对编码、计算机使用、长上下文推理、智能体规划、知识工作和设计进行了全面升级。</p> <p id="4B2ATU1Q">Beta 版还包含 100 万 token 的上下文窗口。</p> <p id="4B2ATU1R">在价格方面，对于免费和专业版用户，Claude Sonnet 4.6 现已成为 claude.ai 和 Claude Cowork 的默认模型。定价与 Sonnet 4.5 保持一致，仍为每百万输入 token 3 美元，每百万输出 token 15 美元。</p> <p id="4B2ATU1S">那么具体性如何？在 GDPval-AA 测试中，Claude Sonnet 4.6 甚至略微领先于 Anthropic 刚刚发布不久的 Opus 4.6。</p> <p class="f_center"><br><br></p> <p id="4B2ATU1U">接下来，就让我们仔细看下技术博客介绍。</p> <p id="4B2ATU1V" style="text-align:center;"><strong>计算机使用</strong></p> <p id="4B2ATU20">2024 年 10 月，Claude 率先推出了通用的计算机使用模型。当时，这种技术「仍处于实验阶段 —— 有时操作繁琐且容易出错」。</p> <p id="4B2ATU21">AI 计算机使用的标准基准 OSWorld 展示了 Claude 模型的进步程度。该基准会在模拟计算机上运行真实软件（Chrome、LibreOffice、VS Code 等），设置数百项任务。该基准也没有没有特殊的 API 或专用连接器；模型看到计算机并与其互动的方式与人非常相似：点击（虚拟）鼠标和在（虚拟）键盘上打字。</p> <p id="4B2ATU22">在过去的十六个月里，Sonnet 模型在 OSWorld 上的性能稳步提升。这些改进在基准测试之外也可见一斑：早期的 Sonnet 4.6 用户在多项任务（诸如浏览复杂电子表格或填写多步骤网页表单）中，看到了达到人类水平的能力，并且能在多个浏览器标签页中整合处理信息。</p> <p id="4B2ATU23">当然，该模型在使用计算机方面仍落后于最熟练的人类。但进步的速度依然显著。这意味着：计算机使用的价值在提升 —— 并且表明能力更强的模型已指日可待。</p> <p class="f_center"><br><br></p> <p id="4B2ATU25">图表比较了多个 Sonnet 模型在 OSWorld 基准上的得分。注：Claude Sonnet 4.5 之前的得分基于原始 OSWorld 测量；从 Sonnet 4.5 开始使用 OSWorld-Verified。OSWorld-Verified（2025 年 7 月发布）是原始 OSWorld 基准的原位升级，对任务质量、评估评分和基础设施进行了更新。</p> <p id="4B2ATU26">与此同时，计算机使用也带来了风险：恶意行为者可能试图通过提示注入攻击，将指令隐藏在网站中来劫持模型。</p> <p id="4B2ATU27">Anthropic 致力于提高模型抵抗提示注入的能力 —— 其安全评估显示，与其前代 Sonnet 4.5 相比，Sonnet 4.6 在这方面有重大改进，表现与 Opus 4.6 相近。</p> <p id="4B2ATU28" style="text-align:center;"><strong>评估 Claude Sonnet 4.6</strong></p> <p id="4B2ATU29">除了计算机使用，Claude Sonnet 4.6 在各项基准测试中均有提升。它的智能水平接近 Opus 级别，但价格更实惠，使其适用于更广泛的任务。</p> <p class="f_center"><br><br></p> <p id="4B2ATU2B">一个表格展示了流行基准测试中 Sonnet 4.6 与其他前沿模型的相对性能比较。</p> <p id="4B2ATU2C">Anthropic 的早期 Claude Code 测试发现，用户大约有 70% 的时间更喜欢 Sonnet 4.6 而非 Sonnet 4.5。</p> <p id="4B2ATU2D">用户报告说，它在修改代码前能更有效地理解上下文，并能整合共享逻辑而非简单复制。</p> <p id="4B2ATU2E">相比于 11 月发布的前沿模型 Opus 4.5，用户甚至有 59% 的时间更喜欢 Sonnet 4.6。他们评价 Sonnet 4.6 在过度工程化和「偷懒」方面显著减少，在指令遵循方面有明显改进。用户报告了更少的虚假成功声明、更少的幻觉，以及在多步骤任务中更一致的执行力。</p> <p id="4B2ATU2F">Sonnet 4.6 的上下文窗口为 100 万 token，足以在单个请求中容纳整个代码库、长篇合同或数十篇研究论文。更重要的是，Sonnet 4.6 能有效地在所有上下文中进行推理。这使得它在长程规划方面表现更佳。</p> <p id="4B2ATU2G">在 Vending-Bench Arena 评估中特别清晰地看到了这一点。该测试评估模型长期运营（模拟）业务的能力 —— 并且包含竞争元素，不同 AI 模型相互竞争以获取最大利润。</p> <p id="4B2ATU2H">Sonnet 4.6 发展出一种有趣的新策略：它在模拟的前十个月大力投资于产能，支出远超竞争对手，然后在最后阶段急剧转向专注于盈利能力。这一转向的时机使其最终远远领先于竞争对手。</p> <p class="f_center"><br><br></p> <p id="4B2ATU2J">图表显示 Sonnet 4.6 在 Vending-Bench Arena 上优于 Sonnet 4.5：通过早期投资产能，然后在最后阶段转向盈利。</p> <p id="4B2ATU2K">Claude Sonnet 4.6 已经向哪些用户开放？</p> <p id="4B2ATU2L">Claude Sonnet 4.6 现已面向所有 Claude 套餐、Claude Cowork、Claude Code、API 以及所有主流云平台开放。Anthropic 也已将免费套餐默认升级至 Sonnet 4.6 版本 —— 现在包含文件创建、连接器、技能和压缩功能。</p> <p id="4B2ATU2M">如果你是开发者，也可以通过 Claude API 快速开始使用 claude-sonnet-4-6。</p>