Sonnet 5.5 单价没变，任务账单为什么可能更贵？

Sonnet 5.5 的普通输入、输出和缓存读取单价与 Sonnet 5 一样，每项工作做下来却可能更便宜，也可能更贵。Anthropic 发布页称自家测试每任务成本最多降低 30%；Artificial Analysis（AA）的评测则在预发布模型的最高 effort 档，测得每项指数任务约贵 50%。两句话测的不是同一批任务，不要相减成一个所谓真实涨价幅度。

这不是一篇让你在两家公司之间选边站的文章。真正的问题是：当模型有能力把活做得更好、也更愿意花 token 时，我们到底应该为哪一笔花费买单？

一样的价目表，两种不同的任务账单

假设你要让编码助手改一个有回归测试的功能。一种设置首轮花较多 token 检查边界，提交后测试通过；另一种首轮简洁便宜，却因为遗漏边界而要重试。只看首轮，第二种更省；把所有尝试算到交付为止，第一种反而可能更省。这是说明计费口径的假设场景，不是我们拿 Sonnet 5.5 跑出的案例。

官方价目表列出 Sonnet 5.5 每百万普通输入 token 2 美元、输出 10 美元、缓存读取 0.20 美元，这三项与 Sonnet 5 相同。对 5.5 而言，缓存写入要另看保留时长：五分钟写入每百万 2.50 美元，一小时写入 4 美元。别把写入和读取合并成一个“缓存价”，也别把标准 API 价当成每个人的订阅额度或协议价。

价相同，不代表一项工作消耗的数量相同。一次成功是否需要重试、模型要输出多少思考与文本、工具参数写得多长、提示词前缀有没有命中缓存，都改变最终账单。官方说 Sonnet 5.5 在其测试里完成相同工作通常需要更少 token，给出“最多省 30%”的表述。这是厂商特定测试里的最高节省幅度，不是新型号的统一八折价，更不是你发出的每个请求自动少花三成。

AA 在另一套工作里看到相反方向：其 Intelligence Index 的 max effort 设置下，Sonnet 5.5 每项测试平均花 7.60 美元，比前代约贵 50%；平均每任务约 19.3 万输出 token。但同一评测给新模型 56 分，比 Sonnet 5 高 18 分。这里既没有固定两代模型要达到相同质量，也没有固定输出量只换型号。“更贵”与“在这套题里更强”完全可以同时成立。

19.3 万尤其容易吓人：它是跨一项指数任务的输出累计，不是模型在一次回答里写出 19.3 万个字。一次评测可以包含多次模型响应与工具操作，最终交给用户的成品也不等于过程中花掉的输出 token。这个数字说明 max 档的思考与执行可能很重，却不能直接拿来预估一次客服问答、一篇文章或一个普通代码补丁。

把图上的两个口径放回原位：官方“最多省 30%”描述其选定工作与设置；AA“约贵 50%”描述另一套综合指数、最高档和预发布部署。既不是同一任务，也不是同一版本的并排账单。目前没有能逐条配平两边任务的原始日志，我们不能定量声称“差异有多少来自 effort，多少来自模型变化”。

官方图也提供了另一种读法：Terminal-Bench 4.0 的质量—成本图把多个 effort 级别放在同一组坐标里。它要表达的不是“低档总是更好”，而是同一任务测试中，模型在不同投入下能到达不同的质量位置。例如官方称，Terminal-Bench 4.0 上，Sonnet 5.5 用 Claude 应用默认的 medium 档时，分数已超过 Sonnet 5 的最好成绩，任务花费不到后者十分之一。这很有吸引力，但只是该测试及厂商展示的配置；它不能证明所有工程队把档位调到 medium 就能得到同样收益。这个图对同一模型跨档调优有用，却不能把官方 coding 图里的节省百分比搬到 AA 的综合指数上。看清横轴是哪个任务的美元、纵轴是哪项评测，才有资格说图里的哪一点值得尝试。

同叫 high，投入的思考也可能不同

如果你曾在 Claude app 中觉得新模型更利落，转到 API 却发现账单没有同样变化，先看默认设置。官方发布说明写的是 Claude Code 与 app 默认 medium，Claude Platform 默认 high。AA 故意跑到 max，是在测高投入能换来什么能力，并非一个不填参数的普通调用自然会遇到的档位。

Effort 文档把 low、medium、high、xhigh、max 作为不同投入级别；它影响的不只有最终可见文字，还包括思考与工具调用。它不是“medium 固定准许用多少 token”的开关。文档还提醒，Sonnet 5.5 的档位重新校准，与 Sonnet 5 同名的 effort 不保证相同思考量。连两代都设成 high，也只是显式设了同一个名字，并没有固定工作量。

想象你经营一条批量生成产品资料的流水线：多数请求只需提取规格并改写，少数则要跨多份文件核对冲突。如果全线为了复杂任务设 max，简单任务也会吃下高投入；如果全线设 low，复杂任务的返工又可能吞掉省下的钱。比起为整个产品找一个“最省”的 effort，为不同任务路由到经过验证的档位更可执行。这里的路由是编辑建议，不是我们对 Sonnet 5.5 的性能测试。若任务必须格式严格，先用原生产 schema 验收，别把自然语言看起来流畅当作过关。

这会改变选档思路：你购买的是合格完成的一项工作，不应该为了让两代型号的设置名字一致而强行锁同一档。写一封简短回复和排查复杂回归，验收线不同。先定义什么算做好，再为每个型号找到能过线的最低成本档位；低档若一次次返工，高档若在简单任务上花大量输出，都算不上好交易。官方展示部分 coding 与知识工作测试在较低档位达到有吸引力的质量—成本组合，但那也不是你自己工作负载上的保证。

别忘了速度与成本也是两个刻度。厂商称 Sonnet 5.5 的输出速度比 Sonnet 5 快 30% 以上；如果编辑正等着它生成一份简报，等待时间缩短本身有用，但不能把“快 30%”写成“少付 30%”。若模型在更短时间里执行更多轮工具调用，账单反而可能增加；若它更快拿到可验收的答案，人的等待与重试都可能减少。评估时分开记耗时、token 花费和通过率，不要用一个数字替三个问题作答。

预发布版的 bug 修好之后，旧数字还能信吗？

AA 明确写明其测试使用的是 预发布部署，当时存在可能损害结构化输出的 bug；公开发布版已修复，AA 将重跑相关测试。Anthropic 发布页的脚注也提到部分工作任务评测使用了受此问题影响的预发布版本。截至 2026 年 10 月 2 日重新阅读 AA 原文，文内仍未给出重跑完成后的同口径成绩。 修复是真实的版本变化，却不能凭此自动把旧版 7.60 美元改写成公开版成本。

这类 bug 为什么会影响“单任务成本”？想象一份填表任务，内容判断基本正确，字段却没按指定格式返回。单次调用已经花钱，但验收系统拒绝它，应用只好再试一次。修复可能使某些任务一次通过，也可能对其他任务几乎没有影响；结果大小与方向都需要同题、同档、公开版重跑才能知道。把“修了”直接翻译成“那约贵 50% 的结果归零”，和把旧测试当永远有效一样草率。

你若把模型用于抽取发票字段、生成符合 schema 的 JSON，这一差别值得特别关注：格式不合格会增加重试，进而改变每项合格任务的成本。反过来，AA 原来的数据也没有“作废”——它仍然记录了那次特定预发布条件下发生的事。现在要避免的是让旧版本测试取代尚不存在的新版复测。AA 报告其默认 safety fallback 在指数任务里约 0.1% 发生，回退到 Sonnet 5；这是测试条件的一部分，不能据此推断你的流量有同样比例。

想得到自己的答案，给编码、报告、结构化抽取各留一组代表性任务；在看到结果以前写下测试通过、人工签收或格式校验的标准，允许几次重试、如何处理工具失败。最小可行的记录是一张每任务明细表：任务 ID、难度类别、通过条件、型号、入口和 effort；每次尝试的普通输入、缓存写入、缓存读取、输出 token，以及重试次数、总花费、完成时间和验收结果。所有失败尝试的花费也归回原任务，不能只挑成功且便宜的几行。

举例说，两种设置每次请求分别花 0.08 与 0.12 美元，若前者平均需要两次才能过关，真正可比的可能是约 0.16 与 0.12 美元的合格任务费用；这只是假设的算术，不是两代模型的已测价格。若某设置一直过不了验收，再低的单次调用费也不是有效方案。完成时间也要留意尾部：多数请求很快、少量任务却卡住几分钟，可能比每次稳定多等几秒更伤害用户。样本少时报告波动范围和失败样例，比报一个精确到小数点的“省钱率”诚实；费用、通过率与耗时并列看，再根据业务决定哪项是硬门槛。

所以更值得记住的不是哪边赢了口水仗，而是Sonnet 5.5 把能力与投入的取舍拉得更开：同一公开单价可以换来少步骤完成，也可以在 max 档花更多 token 取得更高分。选择哪一档，取决于你的工作在什么质量线上才算完成。等 AA 对公开版的重跑补上证据，再对照自己的合格任务账单；这比直接套用任何一方的百分比可靠。