# Sonnet 5.5 单价没变，任务账单为什么可能更贵？ > 官方报告每任务最多省 30%，Artificial Analysis 在预发布版 max effort 下测得约贵 50%。这不是同一场对照：看清任务、档位、缓存与重试，才知道 Sonnet 5.5 对你的工作是否更划算。 - Published: 2026年10月2日 - Author: Linden Kern, Chief Scientist - Tags: models, cost, pricing - Canonical: https://pirouter.ai/zh/blog/sonnet-5-5-task-cost-effort --- 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](https://www.anthropic.com/claude-sonnet-5-5)称自家测试每任务成本最多降低 30%；[Artificial Analysis（AA）的评测](https://artificialanalysis.ai/articles/claude-sonnet-5-5)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](https://platform.claude.com/docs/en/about-claude/pricing#model-pricing)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。 ![Artificial Analysis 的能力与任务成本图，Sonnet 5.5 各 effort 档位与前代处在不同位置](/blog/images/sonnet-5-5-task-cost-effort-aa-index.png "AA 对预发布部署的指数任务评测：max 档每项任务 7.60 美元；不是厂商省 30% 测试的同条件复测。来源：[Artificial Analysis · Sonnet 5.5 评测](https://artificialanalysis.ai/articles/claude-sonnet-5-5)") 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](https://www.anthropic.com/claude-sonnet-5-5)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](https://www.anthropic.com/claude-sonnet-5-5)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](https://platform.claude.com/docs/en/build-with-claude/effort)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。 ![effort 档位及产品默认入口的差异示意](/blog/images/sonnet-5-5-task-cost-effort-effort-zh.png "Effort 控制响应投入而非固定 token 配额；不同产品入口的默认档位要分别核对。来源：[Claude Platform · Effort](https://platform.claude.com/docs/en/build-with-claude/effort)") 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](https://www.anthropic.com/claude-sonnet-5-5)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。 --- ## Sources ### anthropic.com - [Anthropic 发布页](https://www.anthropic.com/claude-sonnet-5-5) ### artificialanalysis.ai - [Artificial Analysis（AA）的评测](https://artificialanalysis.ai/articles/claude-sonnet-5-5) ### platform.claude.com - [官方价目表](https://platform.claude.com/docs/en/about-claude/pricing#model-pricing) - [Effort 文档](https://platform.claude.com/docs/en/build-with-claude/effort)