Claude Sonnet 5.5 با هزینه کمتر به Opus 5.5 نزدیک شد

Anthropic مدل Claude Sonnet 5.5 را عرضه کرده است؛ مدلی که به گفته این شرکت بیش از ۳۰ درصد سریع‌تر خروجی تولید می‌کند و به‌دلیل مصرف توکن کمتر، هزینه انجام هر وظیفه را تا ۳۰ درصد پایین می‌آورد. Sonnet 5.5 در چند آزمون عملکردی نیز به مدل قوی‌تر این خانواده، Opus 5.5، نزدیک شده است؛ موضوعی که می‌تواند انتخاب میان مدل‌های هوش مصنوعی را بیش از پیش به هزینه و نوع کار وابسته کند. با این حال، ادعاهای مربوط به سرعت، کیفیت و صرفه‌جویی هنوز به ارزیابی مستقل نیاز دارند.

مدلی برای کارهای روزمره و کدنویسی

Sonnet 5.5 دومین مدل خانواده Claude 5.5 است. Anthropic، Opus 5.5 را برای کارهای دشوار و پیچیده‌ای معرفی می‌کند که به قضاوت دقیق نیاز دارند؛ در مقابل، Sonnet برای وظایف مشخص و پرتکرار مانند رفع اشکال نرم‌افزار، نوشتن مستندات، آماده‌کردن ارائه و ساخت صفحه‌گسترده هدف‌گذاری شده است. این تقسیم‌بندی نشان می‌دهد که شرکت می‌خواهد برای نیازهای متفاوت، مدل‌هایی با توانایی و هزینه متفاوت عرضه کند.

این شرکت همچنین گفته است Claude Haiku 5.5 را در هفته‌های آینده معرفی می‌کند. Haiku قرار است برای کاربردهایی مناسب باشد که به پردازش حجم بالای درخواست‌ها با هزینه کم نیاز دارند. بنابراین، خانواده مدل‌های Anthropic در حال شکل‌دادن به طیفی از گزینه‌هاست: Opus برای وظایف پیچیده، Sonnet برای کارهای روزمره و Haiku برای استفاده پرتعداد و کم‌هزینه.

در رقابت بازار، مقاله The Decoder مدل‌های Anthropic را با رده‌های متناظر OpenAI مقایسه می‌کند: Opus را اندکی بالاتر از Sol، Sonnet را بالاتر از Luna و Fable را بالاتر از Astra قرار می‌دهد. طبق این گزارش، فاصله عملکردی میان رده‌های متناظر کوچک است، در حالی که Anthropic در مجموع قیمت بالاتری دارد. در چنین شرایطی، هزینه واقعی هر کار می‌تواند عامل مهمی در انتخاب مشتریان باشد.

جهش در آزمون‌های برنامه‌نویسی

به گفته Anthropic، بیشترین پیشرفت Sonnet 5.5 نسبت به نسل قبلی در کدنویسی دیده می‌شود. در Terminal-Bench 4.0، آزمونی برای ارزیابی برنامه‌نویسی عامل‌محور که مدل در آن باید مراحل یک کار را دنبال و اجرا کند، Sonnet 5.5 امتیاز ۷۰٫۶ درصد به‌دست آورد؛ امتیاز Sonnet 5 در همین آزمون ۱۰٫۳ درصد بود.

در CursorBench 4.0، که جلسات واقعی برنامه‌نویسی در ویرایشگر Cursor را بازسازی می‌کند، Sonnet 5.5 به امتیاز ۵۵٫۵ درصد رسید. این نتیجه دو واحد درصد پایین‌تر از Opus 5.5 با امتیاز ۵۷٫۸ درصد بود. به گزارش Anthropic، مدل در آزمون FrontierCode 1.1 نیز در سطح «High» ده امتیاز بهتر از Sonnet 5 عمل کرد؛ آن هم با هزینه‌ای برای هر وظیفه که حدود یک‌پانزدهم هزینه مدل قبلی بود.

برخی از آزمایش‌کنندگان اولیه گفته‌اند Sonnet 5.5 سریع‌تر ساختار یک مخزن کد را درک می‌کند. همچنین، به گزارش شرکت، مدل بیش از نسخه پیشین چند فراخوانی ابزار را در یک مرحله دسته‌بندی می‌کند؛ قابلیتی که می‌تواند تعداد گام‌های لازم برای انجام کار را کاهش دهد. فراخوانی ابزار به زمانی گفته می‌شود که مدل برای انجام بخشی از کار، از یک ابزار یا قابلیت نرم‌افزاری دیگر کمک می‌گیرد.

اما افزایش سطح استدلال همیشه به نتیجه بهتر منتهی نشده است. در FrontierCode، تنظیم «Max» که بالاترین سطح تلاش مدل است، امتیاز کمتری از «Xhigh» داشته است. Anthropic توضیح داده که مدل در سطح Max بیشتر سراغ قابلیت بازبینی کد می‌رود؛ قابلیتی که کار را میان چند عامل فرعی تقسیم می‌کند. در برخی موارد، این روند باعث پایان‌یافتن زمان مجاز یا تغییر بخش‌هایی خارج از محدوده وظیفه شده و هر دو مورد در امتیاز آزمون اثر منفی گذاشته‌اند.

نزدیکی به Opus در کار دانشی و هزینه کمتر برای هر وظیفه

در آزمون GDPval-AA، که کارهای دانشی در ۴۴ حرفه و ۹ صنعت را می‌سنجد، Sonnet 5.5 امتیاز ۱٬۸۴۴ گرفت. این عدد تقریباً با امتیاز Opus 5.5، یعنی ۱٬۸۴۶، برابر است و از امتیاز ۱٬۴۴۹ برای Sonnet 5 بالاتر می‌رود. Anthropic همچنین برای GPT-6 Sol امتیاز ۱٬۴۸۷ را گزارش کرده است. این اعداد از سوی خود شرکت ارائه شده‌اند و به‌تنهایی جایگزین سنجش مستقل نیستند.

در آزمون تصویری Chartography که توانایی تشخیص نمودار را می‌سنجد، امتیاز Sonnet 5.5 از ۱۵٫۶ درصد به ۶۱٫۶ درصد افزایش یافته است. طبق یادداشت‌های مربوط به نتایج، امتیازهای Sonnet 5.5 از نسخه پیش‌انتشار به‌دست آمده‌اند و ممکن است یک خطای بعداً رفع‌شده بر خروجی‌های ساختاریافته اثر گذاشته باشد. همچنین، بالاترین امتیاز Opus 5.5 در Terminal-Bench 4.0 مربوط به سطح Xhigh بوده است؛ بنابراین مقایسه نتایج به تنظیمات اجرای آزمون وابسته است.

قیمت پایه هر میلیون توکن در Sonnet 5.5 نسبت به Sonnet 5 تغییری نکرده است: ۲ دلار برای توکن‌های ورودی، ۱۰ دلار برای توکن‌های خروجی و ۰٫۲۰ دلار برای خواندن داده‌های ذخیره‌شده در حافظه کش. توکن واحدی است که مدل برای پردازش متن و تولید پاسخ مصرف می‌کند. Anthropic می‌گوید چون Sonnet 5.5 برای هر وظیفه توکن کمتری مصرف می‌کند، هزینه مؤثر انجام کار می‌تواند تا ۳۰ درصد کاهش پیدا کند. به گفته شرکت، سرعت تولید خروجی نیز بیش از ۳۰ درصد افزایش یافته است؛ ادعاهایی که هنوز باید در آزمون‌های مستقل بررسی شوند.

Sonnet 5.5 امکان تنظیم میزان تلاش را هم دارد؛ قابلیتی که به کاربر اجازه می‌دهد میان هزینه و سرعت از یک سو و کیفیت خروجی از سوی دیگر توازن برقرار کند. Anthropic می‌گوید در تنظیمات کم یا متوسط، مدل در چند آزمون از بهترین نتیجه Sonnet 5 بهتر عمل می‌کند و هزینه هر وظیفه‌اش حدود یک‌دهم است. با این‌همه، انتخاب سطح مناسب برای هر کار هنوز به تصمیم‌گیری کاربر نیاز دارد.

آزمایش‌کنندگان اولیه، طبق گزارش، از طبیعی‌ترشدن گفت‌وگو و توانایی طراحی مدل گفته‌اند. Anthropic همچنین مدعی است Sonnet 5.5 می‌تواند رابط کاربری را بازطراحی کند و قالب‌های اسلاید را با نتیجه‌ای اجرا کند که به اصلاح اندکی نیاز دارد. این شرکت می‌گوید مدل برای نخستین‌بار در رده Sonnet توانسته بازی Pokémon Red را تنها با اتکا به تصویرهای صفحه پیش ببرد. این قابلیت، بنا بر گزارش، پیش‌تر برای مدل‌ها دشوار بود و معمولاً به الگوریتم‌های ویژه نیاز داشت.

عرضه گسترده و تدابیر امنیت سایبری

Anthropic اعلام کرده Sonnet 5.5 اکنون از طریق پلتفرم Claude و ارائه‌دهندگان اصلی خدمات ابری، از جمله Amazon Web Services، Google Cloud و Microsoft Azure، در دسترس است. توسعه‌دهندگان می‌توانند آن را با شناسه «claude-sonnet-5-5» از Claude Platform فراخوانی کنند. شرکت همچنین، مانند برخی دیگر از مدل‌هایش، امکان استفاده با سیاست نگهداری‌نکردن داده‌ها را ارائه می‌دهد.

با افزایش توانایی Sonnet 5.5 در امنیت سایبری، Anthropic برای نخستین‌بار در یک مدل Sonnet تدابیر ویژه‌ای برای این حوزه در نظر گرفته است. به گفته شرکت، درخواست‌هایی که به کارهای پرخطر امنیت سایبری مربوط باشند، به‌صورت آشکار به Sonnet 5 هدایت می‌شوند. متخصصان واجد شرایط نیز می‌توانند از طریق برنامه گسترش‌یافته Cyber Verification Program برای دسترسی مرحله‌بندی‌شده درخواست بدهند.

Anthropic می‌گوید دسته‌بندهای ایمنی تازه‌ای نیز برای مقابله با حملات تقطیر افزوده است. تقطیر روشی برای انتقال بخشی از توانایی یک مدل به مدل دیگر است؛ در اینجا شرکت از تدابیری برای مقابله با سوءاستفاده از چنین فرایندی سخن می‌گوید. اثربخشی این اقدامات در ماه‌های آینده روشن‌تر خواهد شد. گزارش The Decoder احتمال می‌دهد اگر آزمایشگاه‌های چینی از این نوع حملات بهره برده باشند، مسدودکردن این مسیر بتواند بر فاصله میان آزمایشگاه‌های غربی و رقبایشان اثر بگذارد؛ اما این موضوع در متن به‌عنوان احتمالی مطرح شده، نه نتیجه‌ای اثبات‌شده.

این خبر برای چه کسانی اهمیت دارد

Sonnet 5.5 برای توسعه‌دهندگانی اهمیت دارد که به دنبال مدلی برای کدنویسی و کارهای روزمره‌اند و هزینه مصرف توکن برایشان مهم است. شرکت‌هایی که میان یک مدل پرتوان‌تر و گزینه‌ای ارزان‌تر تصمیم می‌گیرند نیز می‌توانند نتایج اعلام‌شده را در ارزیابی خود لحاظ کنند، به‌ویژه آنکه در برخی آزمون‌ها فاصله Sonnet 5.5 با Opus 5.5 اندک بوده است. با این حال، تصمیم‌گیری نهایی به سنجش مستقل، نوع وظیفه و سطح تلاش انتخاب‌شده بستگی دارد. برای فعالان امنیت سایبری نیز سازوکارهای تازه دسترسی و ارجاع درخواست‌ها موضوعی مهم است؛ کارآمدی این محدودیت‌ها هنوز نیازمند بررسی در عمل خواهد بود.