数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一
正文：
Anthropic发布了Claude Sonnet 5，并将其定位为迄今最具Agent能力的Sonnet模型：可以制定计划、调用浏览器和终端等工具，并以更低价格接近部分Opus级模型的Agent表现。官方特别强调，Sonnet 5相比Sonnet 4.6在推理、工具使用、编码和知识工作上都有明显改进。
需要说明的是，本次评测中的模型是Sonnet 5的思考/高投入配置，claude-sonnet-5-thinking，评测侧重中文场景下的综合能力考察，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块；Claude Sonnet 5官方主推的长程Agent、代码协作、计算机使用和安全表现，仍需要结合文末官方评测一起看。
claude-sonnet-5-thinking版本表现：
测试题数：约1.5万
总分（准确率）：70.8%
平均耗时（每次调用）：20s
平均token（每次调用消耗的token）：1590
平均花费（每千次调用的人民币花费）：93.7
1、新旧对决
对比上一代版本claude-sonnet-4.5-thinking，claude-sonnet-5-thinking的变化非常清晰：总分提升、速度变快、成本明显下降，同时能力增量主要集中在coding、Agent工具调用和推理数学，部分中文垂直领域则出现回调。数据如下：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
整体位置明显上移：新版本准确率从66.2%提升至70.8%，提升了4.6个百分点，排名从第49位升至第23位。
Coding是最大增量：coding从52.1%提升至70.0%，提升17.9个百分点，是所有细分维度中变化最大的一项。这与官方强调Sonnet 5面向编码和Agent工作流的定位高度一致。
Agent工具调用改善明确：agent与工具调用从58.4%提升至66.5%，提升8.1个百分点。相比上一代Sonnet 4.5 Thinking，新版本在工具选择、任务拆解和执行链路上更适合被放进Agent系统中使用。
推理数学稳步增强：推理与数学计算从78.0%提升至82.4%，提升4.4个百分点。结合thinking配置看，Sonnet 5在多步推演和复杂题目拆解上确实有进步，但增量不如coding和Agent明显。
中文垂直任务出现取舍：医疗与心理健康从79.1%降至76.6%（-2.5个百分点），语言与指令遵从从64.2%降至62.4%（-1.8个百分点），法律与行政公务从81.0%降至79.3%（-1.7个百分点），金融从78.0%降至76.5%（-1.5个百分点），教育从54.9%微降至54.7%（-0.2个百分点）。这说明Sonnet 5 Thinking并不是在所有中文任务上同步变强，而是把能力重心更明显地投向代码、工具和推理。
速度和成本改善很大：平均耗时从39s缩短至20s，减少19s；平均token从3070降至1590，降幅约48%；输出价格从108.75元/百万token降至70.0元/百万token。最终每千次调用花费从305.1元降至93.7元，约为上一代的31%。
2、横向对比
在当前主流大模型竞争格局中，claude-sonnet-5-thinking作为Anthropic新一代Sonnet思考配置表现如何？我们从三个维度进行横向对比分析：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark同成本档位对比
同成本档位看站位：claude-sonnet-5-thinking（70.8%，93.7元）处在90至110元/千次附近。这个区间里还有qwen3.7-max（76.9%，99元）、kimi-k2.6（72.9%，100.4元）、claude-opus-4.8（71.5%，99.4元）、gpt-5.2-high（67.3%，94.1元）和ERNIE-5.0（67.2%，89.2元）。仅看中文综合准确率，Sonnet 5 Thinking并不占优，明显低于qwen3.7-max，也低于kimi-k2.6和Opus 4.8非思考模式。
速度是重要补充：Sonnet 5 Thinking平均耗时20s，比qwen3.7-max（51s）、kimi-k2.6（175s）、gpt-5.2-high（36s）更快，但慢于claude-opus-4.8非思考模式（9s）和gpt-5.5（15s）。
向上看Opus与头部闭源模型：相比claude-opus-4.8-thinking（74.7%，19s，238.2元），Sonnet 5 Thinking低3.9个百分点，耗时基本接近，但花费低约61%。相比gpt-5.5（75.3%，15s，158.5元）和gemini-3.5-flash（73.9%，13s，151.2元），Sonnet 5 Thinking总分差距更明显，但调用花费也更低。
向下看低成本替代方案：qwen3.5-plus（73.3%，22.9元）、qwen3.7-plus（73.5%，31.7元）、kimi-k2.7-code（72.6%，49.7元）、deepseek-v4-pro（71.7%，54.3元）都以更低成本取得了更高中文综合准确率。
新旧模型对比
Sonnet线的成本效率变化最明显：claude-sonnet-5-thinking（70.8%，93.7元）相比claude-sonnet-4.5-thinking（66.2%，305.1元）提升4.6个百分点，同时花费降至约三成。这说明Sonnet 5不只是能力补强，也是在Anthropic产品线里把思考档的使用成本拉了下来。
Anthropic产品线中的位置：当前榜单里，Anthropic最高的是claude-opus-4.8-thinking（74.7%，第7位），其次是claude-opus-4.8（71.5%，第18位），claude-sonnet-5-thinking（70.8%，第23位）略低于Opus 4.8非思考模式，并略高于claude-opus-4.6（70.0%，第28位）。相比claude-sonnet-4.5-thinking（66.2%，第49位）和claude-opus-4.5（64.2%，第62位），Sonnet 5 Thinking的位置则明显上移。它更像是Anthropic在中高端成本区间给出的Agent型补位，而不是替代Opus线的最高能力模型。
放到近期新模型中看：Sonnet 5 Thinking低于qwen3.7-max、doubao-seed-2-1-pro-260628、gpt-5.5、claude-opus-4.8-thinking、gemini-3.5-flash、glm-5.2、kimi-k2.6等模型，但与Kimi-K2.5-Thinking（70.8%）基本持平，并略高于qwen3.6-plus（70.7%）、GLM-5.1（70.7%）和Qwen3.5-27B（70.6%）。
开源VS闭源对比
闭源阵营：定位偏工程交互。Sonnet 5 Thinking在闭源模型中高于Doubao-Seed-2.0-lite（70.5%）、claude-opus-4.6（70.0%）、GLM-5-Turbo（69.3%）等模型，但低于qwen3.7-max、gpt-5.5、gemini-3.1-pro-preview、claude-opus-4.8-thinking、gemini-3.5-flash、claude-opus-4.8等头部闭源模型。
开源阵营：可替代选项更密集。qwen3.5-plus（73.3%，22.9元）、kimi-k2.6（72.9%，100.4元）、glm-5.2（73.0%，110.5元）、deepseek-v4-pro（71.7%，54.3元）、Qwen3.5-122B-A10B（70.9%，32.3元）已经在70%至73%区间形成密集分布。其中真正形成成本压力的是qwen3.5-plus、deepseek-v4-pro和Qwen3.5-122B-A10B：它们以明显更低成本取得更高或接近的总分。kimi-k2.6和glm-5.2的意义则更多在于说明，同一分数区间内开源模型选择已经很丰富。
3、官方评测
根据Anthropic官方博客（https://www.anthropic.com/news/claude-sonnet-5），Claude Sonnet 5是面向Agent时代的Sonnet升级版。官方称，它的能力接近Opus 4.8，但价格更低，重点提升了推理、工具使用、编码和知识工作。
核心能力基准
官方将Sonnet 5与Sonnet 4.6、Opus 4.8进行了对比：
SWE-bench Pro：Sonnet 5为63.2%，高于Sonnet 4.6的58.1%，但低于Opus 4.8的69.2%。
Terminal-Bench 2.1：Sonnet 5达到80.4%，明显高于Sonnet 4.6的67.0%，接近Opus 4.8的82.7%。
Humanity's Last Exam：无工具条件下Sonnet 5为43.2%，高于Sonnet 4.6的34.6%，低于Opus 4.8的49.8%；带工具条件下Sonnet 5为57.4%，接近Opus 4.8的57.9%，高于Sonnet 4.6的46.8%。
OSWorld-Verified：Sonnet 5为81.2%，高于Sonnet 4.6的78.5%，接近Opus 4.8的83.4%。
GDPval-AA v2：Sonnet 5得分1618，高于Sonnet 4.6的1395，也略高于Opus 4.8的1615。
不同effort档位与成本曲线
Anthropic在博客中展示了Sonnet 5、Sonnet 4.6和Opus 4.8在不同effort档位下的成本表现曲线。官方结论是：Sonnet 5相较Sonnet 4.6覆盖了更宽的成本-性能区间，在中等effort下成本效率提升明显，在更高effort下部分任务可以接近Opus 4.8。
安全与网络能力边界
安全方面，Anthropic称Sonnet 5整体上比Sonnet 4.6更安全：在Agent场景中更能拒绝恶意请求，也更能抵抗prompt injection攻击；幻觉和迎合倾向低于Sonnet 4.6；自动化行为审计中的不良行为率也低于Sonnet 4.6。不过官方也指出，Sonnet 5在该项审计中的不良行为率仍高于Opus 4.8和Claude Mythos Preview。
网络安全能力方面，Anthropic表示Sonnet 5并未被刻意训练用于网络安全任务。它可以完成一些常规、非有害的网络任务，但在危险网络能力评估中明显弱于Opus 4.8和Mythos 5。官方提到，在Firefox漏洞利用评估中，Sonnet 5完整成功率为0.0%，但部分成功率略高于Sonnet 4.6。由于Sonnet 5相较前代在这类任务上略强，Anthropic已为其默认启用网络安全防护。
非线智能官网https://nonelinear.com 已上线claude-sonnet-5版，欢迎深度体验。 同时，非线智能API可连接超480+全球模型，支持一键Api聚合以及Api中转，提供稳定的企业级服务。 登录github账号，领20-50元体验金。接入claude-sonnet-5就用非线智能API。
