59% 用户投票选了更便宜的那个：Sonnet 4.6 全面解读
宝玉
Claude Sonnet 4.6 发布了。
在 Claude Code 的早期测试中，用户 70% 的情况下更喜欢 Sonnet 4.6 而不是 Sonnet 4.5。更夸张的是，59% 的情况下用户甚至更喜欢它而不是去年 11 月发布的旗舰模型 Opus 4.5。一个便宜的模型，被用户投票打败了贵的模型。
Sonnet 4.6 在编码、计算机操作（Computer Use）、长上下文推理、智能体规划、知识工作、设计六个维度同时升级，还带了一个 100 万 token 的上下文窗口（beta）。价格不变，$3/$15 每百万 token。
【声明】本文根据 Anthropic 官方资料整理，文中数据和客户评价均来自官方发布内容，不代表本人真实体验结果。
基准测试全景：水桶型选手
先看数据。
Sonnet 4.6 在 15 项评估中几乎全线领先或接近领先。智能体工具使用、大规模工具调用、办公任务、金融分析，都是第一梯队。
它和 Opus 4.5、Opus 4.6 的关系可以这么理解：Opus 仍然是天花板，尤其在代码库重构、多智能体协调这些需要最深层推理的场景；但对绝大多数日常任务，Sonnet 4.6 已经够用了，价格只有 Opus 的几分之一。
以前的 Sonnet 是“够用但明显差一截”，现在更像是一个全面的水桶型选手，不是某项特别突出，而是每项都足够好。Databricks 测试发现它在企业文档理解任务（OfficeQA）上的表现已经和 Opus 4.6 持平。Replit 的评价更直接：性价比“惊人”，任务难度越高表现越强劲。
Computer Use：16 个月，从实验品到接近人类水平
2024 年 10 月，Anthropic 发布了第一个通用计算机操作模型。当时他们自己的措辞是“仍处于实验阶段，笨重且易出错”。
16 个月后，OSWorld（AI 计算机操作的标准基准测试）上的得分从 14.9% 涨到了 72.5%。
翻了近 5 倍。OSWorld 测试的不是“点个按钮”这种简单操作，它要求模型在模拟电脑上运行 Chrome、LibreOffice、VS Code 这些真实软件，没有特殊的 API 接口，模型得像人一样看屏幕、点鼠标、敲键盘。
早期用户发现 Sonnet 4.6 在几个场景中接近人类水平：
- 操作复杂电子表格
- 填写多步骤网页表单
- 跨多个浏览器标签整合信息
Pace 保险公司在自己的基准测试中给了 94% 的准确率，是他们测过的计算机操作最强模型。Convey 的评价类似：明显优于评估中测试过的所有其他模型。
72.5% 也意味着还有接近三成的任务会失败，关键业务流程现在还不到完全信任的时候。但进步速度摆在这里，16 个月翻 5 倍，而且 Anthropic 在安全防护上也没放松，Sonnet 4.6 对提示词注入攻击（恶意网站通过隐藏指令劫持模型）的抵抗力比 Sonnet 4.5 有大幅提升。
每个公司都有一些没有 API 的老系统，过去想自动化只能开发定制连接器。一个能像人一样操作电脑的 AI，正在让这条路越来越现实。
100 万 Token 上下文窗口
Sonnet 4.6 的上下文窗口扩展到 100 万 token（beta 阶段）。大致相当于整个代码库、一份长合同、或者几十篇论文。
窗口大不等于用得好，很多模型在长上下文中“记住了但推理不了”。Sonnet 4.6 的改进在于它能在大上下文里做有效推理。
一个有意思的验证来自 Vending-Bench Arena 测试，让不同 AI 模型模拟经营企业，相互竞争谁赚的利润最多。Sonnet 4.6 自己琢磨出了一套策略：前 10 个模拟月大幅投入扩充产能，支出远超对手，然后在最后阶段急转弯专注盈利。这种“先亏后赚”的打法让它最终远超竞争对手。
这说明模型不只是在处理当前回合，而是真的在利用长上下文做规划。
配合上下文压缩功能（Context Compaction，beta），对话快到上限时系统会自动总结旧内容，实际可用的上下文比 100 万 token 还要长。适用场景：大型代码库分析、长合同审查、文献综述这些过去需要人工分段处理的工作。
编码能力：开发者最在乎的部分
编码是 Sonnet 系列最核心的使用场景。Sonnet 4.6 的提升不是“快了一点”或“对了一些”，而是编码方式本身变了。
用户反馈集中在几个点：
- 修改代码前能更好地阅读上下文（不再一上来就改）
- 会整合共享逻辑而不是复制粘贴
- 更少过度工程化
- 更少偷懒
- 更好地遵循指令
- 幻觉更少了
- 多步骤任务的执行连贯性也更好了
这些改进在长会话中尤其明显。用过 AI 编码工具的人都知道，对话长了之后模型容易“忘事”或者“乱来”，Sonnet 4.6 在这方面让长会话不再那么令人头疼。
来看几家用 Sonnet 4.6 做编码的公司怎么说：
- GitHub：在复杂代码修复上表现优异，尤其是需要跨大型代码库搜索的场景，解决率和稳定性都很高
- Cursor：对 Sonnet 4.5 的“全方位显著提升”，包括长跨度任务和更难的问题
- Bolt：在复杂应用构建和 Bug 修复上交付了前沿级的结果，正在成为处理深度代码库工作的首选，而这类工作过去需要更贵的模型
- Rakuten：Sonnet 4.6 写出了他们测试过的最佳 iOS 代码，规范遵从性更好、架构更优，一次成型，还主动使用了他们没有要求的现代工具
- Cognition：在 Bug 检测上“有力地缩小了与 Opus 的差距”，让他们能并行运行更多审查程序，捕获更多 Bug，成本不增加
API 与工具生态
除了模型本身，Anthropic 同步更新了一批 API 工具。
Web Search 动态过滤是这批更新里最值得关注的。搜索是一个极其消耗 token 的操作，模型需要发起查询、拉取搜索结果、获取网页完整 HTML、再从中推理出答案。问题是拉进来的内容大量无关，既浪费 token 又拉低回复质量。
动态过滤的做法是：搜索完成后，Claude 自动写代码来过滤和处理结果，只保留相关内容。不是让模型直接推理海量 HTML，而是先用代码筛选，再推理。
效果：
- BrowseComp 基准：Sonnet 4.6 从 33.3% 提升到 46.6%，Opus 4.6 从 45.3% 提升到 61.6%
- DeepsearchQA：Sonnet 从 52.6% 到 59.4%，Opus 从 69.8% 到 77.3%
- 平均准确率提升 11%，token 消耗减少 24%
Quora/Poe 的评价是，Opus 4.6 配合动态过滤“在内部评估中达到了最高准确率”，模型“表现得像一个真正的研究员，用 Python 解析、过滤、交叉引用结果，而不是在上下文中推理原始 HTML”。
【注：token 消耗减少的数据对 Sonnet 4.6 成立，但 Opus 4.6 上 token 成本实际有所增加。具体成本取决于使用场景，Anthropic 建议开发者用自己的真实查询做测试。】
正式发布的工具还有五个：
- 代码执行：让智能体在对话中运行代码来过滤上下文、分析数据
- 记忆功能：跨对话存储和检索信息
- 程序化工具调用：在代码中执行多工具工作流
- 工具搜索：从大型工具库中动态发现工具
- 工具使用示例：在工具定义中提供示例调用
对金融用户，Excel 插件现在支持 MCP 连接器（Model Context Protocol，让 AI 模型连接外部工具和数据源的协议），Claude 能直接在 Excel 里调用 S&P Global、LSEG、Daloopa、PitchBook、Moody's、FactSet 等数据源，不用离开表格就能引入外部数据。
谁该用，怎么用
免费用户：不用做任何事，默认模型已经升级到 Sonnet 4.6。免费版还开放了文件创建、连接器、技能和上下文压缩功能。
Pro/Team 用户：日常任务直接用 Sonnet 4.6，大多数场景下已经接近 Opus 水平。只有代码库重构、多智能体协调、或者“必须做到精准无误”的任务，再切换到 Opus 4.6。
开发者：API 里用 claude-sonnet-4-6 调用，价格和 Sonnet 4.5 一样，$3/$15 每百万 token。建议试试不同的思考强度设置，即使关闭扩展思维，Sonnet 4.6 的表现也很强。
企业用户：Computer Use 加上 MCP 连接器的组合，正在打开一条新路，尤其是有大量没有 API 的老系统的公司。过去这类系统只能靠人工操作或者开发定制连接器来自动化，现在 AI 可以直接像人一样操作。Pace 保险在这方面已经看到了 94% 的准确率。
Opus 4.6 不会被取代，它仍然是最深层推理的首选。但对大多数人来说，Sonnet 4.6 已经够了，而且便宜很多。便宜不再等于弱。
参考资料：
- Claude 官方推文：https://x.com/claudeai/status/2023817132581208353
- Anthropic 官方博客 Introducing Sonnet 4.6：https://www.anthropic.com/news/claude-sonnet-4-6
- Improved Web Search with Dynamic Filtering：https://www.claude.com/blog/improved-web-search-with-dynamic-filtering