Claude Sonnet 4.5 测评

Claude Sonnet 4.5 测评 Claude Sonnet 4.5 测评 Modified October 1, 2025 🔗 原文链接： https://mp.weixin.qq.com/s/ nWCUi39... 原创 toyamanao 大模型观测员2025年09月30日 16:32 广东 短的结论：编程王者再秀肌肉 基本情况： Claude凭借编程场景的强势，在风云变幻的大模型市场始终有自己一席之地。但随着其他各家追的越来越紧，一些模型甚至在单项上实现超越，Claude系列也很难再靠Sonnet 4撑到年末。于是Sonnet 4.5 应声而来。 逻辑能力从来不是Claude系列的强项，中杯Sonnet则更是不擅长。而面对其他大模型厂家在逻辑能力榜上日新月异的竞赛，Anthropic的选择是不跟随潮流，坚持自己的道路，把自己的长处，编程强化到让人难以忽视。 单看Sonnet 4.5基础版的逻辑成绩，似乎缺乏亮点，没有像其他一些模型仅靠非推理模式就冲进推理模型梯队。但要注意到Sonnet 4.5在推理消耗上，与4并无差异，平均Token消耗仅990，比Grok4 Fast还要低15%。因此尽管Sonnet 4.5单价很高，综合成本并不高。 而推理版在后训练魔术下，成为仅次于GPT 5和mini的第三个站上80分的推理模型。综合的Token消耗和成本也仅比4代小幅上涨。 逻辑成绩： 1 表格为了突出对比关系，仅展示部分 可对照模型 ，不是完整排序。 2 题目及测试方式，参见： 大语言模型 逻辑能力横评 25 09月榜 。 3 完整榜单更新在 Github ( https://github.com/malody2014/llm benchmark ) 编程成绩： 1 题目及测试方式，参见： 大语言模型 编程能力测评 25 09月榜 。 语言分布: 图中，每种语言除第一名标绿以外，相差0.3分以内的第二名也标绿。这是考虑到测试本身有随机性，0.3分的差距可认为属于同一水平。 优化： • 指令遵循 ：Claude的一系列模型一直在指令遵循上有较好表现，4.5相比4则更进一步。主要考察指令的问题，如 16插件调用， 40代码推导。甚至 44工具组合这道让无数推理模型都翻车的严格指令遵循题目，4.5 基础版 也拿到不少分， 推理版 更是稳定满分。此前只有GPT 5可以稳定满分。 • 编程能力 ：指令遵循于编程水平强正相关，既然4.5在指令方面有不小进步，则编程能力自然也有相当程度的提升。其中 基础版 在前端语言TypeScript上进步显著，C++也从大量语法错误进化到基本可用，少量错误。但Java拖了不少后腿，这一版的Java并没有多少语法错误，但代码质量明显不如其他语言，Case通过率低。而且Java也是6种语言中，注释率最低的，其他语言平均注释率在5.6%，而Java低到3%。很多代码几乎是几百行代码0注释。如果不是Java的低分，4.5基础版总分应该不低于4。因此终端用户应该更注意语言单项分，而不是单一总分。 • 推理版 情况要好很多，各语言分布更均匀，更关键的是4.5推理版极强的代码准确率，代码几乎是一遍过，无语法错误，无编译错误。唯一一处异常来自C++的语法问题。使得推理版基础异常率低至0.9%，修复一轮后成为目前唯一一个0错误的大模型。这意味着，尽管Sonnet 4.5定价高，但完成同样的任务需要的轮次更少，总花费很可能会低于4。 • 但要考虑无论4.5基础还是推理版，其复杂推理能力依然比不起最头部的几款模型，在笔者的编程测试中，每道题都带一些复杂思考要求，Sonnet 4.5系列受制约，得分会略低于实战表现。实际编程中，最好使用其他模型提供算法思路和架构，由Sonnet负责实现，以发挥其最大价值。 不足： • 复杂推理 ：Sonnet 4在复杂推理方面，比不上头部GPT5和Grok4，但多少有一些亮点。而4.5则再往后退了一步，变得更为平庸。如 29数学符号还原， 35拼图问题， 43目标数， 49激光器布局等需要巧思的问题，4.5 基础版 均稳定的落后于4，没有思路，答案偏差也很远。 推理版 用更长思维链补足了一些缺陷，但也无法完全打平4。 • 字符处理 ：单字符处理能力也曾经是Sonnet 4的强项，而4.5 基础版 则有小幅退步。相关问题上，4.5的缺陷略多，并且无法稳定输出。 推理版 则基本持平Sonnet 4 Think，部分问题小幅进步。如 47字符迷宫问题，除了妥善字符处理，还需要指令遵循的问题，则推理版在更好的指令能力加持下，可以大幅超过4代。 赛博史官曰： Anthropic在大模型厂家里是比较特立独行的一家，身上带着精英气质。他在很早就确定了自己的主攻方向，不做全能模型，就连视觉模型也是为编程服务的。他们几乎不参与价格战，毫无动摇的给自家模型定高价，Claude系列长期是最贵的模型。这也完全无法阻挡广大程序员以Claude系列作为自己首选模型的热情。 在如此背景下，Sonnet的进化方向不是多选题，而是单选题。只有在原有领域上做到更强，更高效，才能安稳度过再一个竞争激烈的半年。 https://mp.weixin.qq.com/s/ nWCUi39... 大语言模型 逻辑能力横评 25 09月榜 大语言模型 编程能力测评 25 09月榜 🔗 原文链接： https://mp.weixin.qq.com/s/ nWCUi39... https://mp.weixin.qq.com/s/ nWCUi39... 原创 toyamanao 大模型观测员2025年09月30日 16:32 广东 短的结论：编程王者再秀肌肉 基本情况： Claude凭借编程场景的强势，在风云变幻的大模型市场始终有自己一席之地。但随着其他各家追的越来越紧，一些模型甚至在单项上实现超越，Claude系列也很难再靠Sonnet 4撑到年末。于是Sonnet 4.5 应声而来。 逻辑能力从来不是Claude系列的强项，中杯Sonnet则更是不擅长。而面对其他大模型厂家在逻辑能力榜上日新月异的竞赛，Anthropic的选择是不跟随潮流，坚持自己的道路，把自己的长处，编程强化到让人难以忽视。 单看Sonnet 4.5基础版的逻辑成绩，似乎缺乏亮点，没有像其他一些模型仅靠非推理模式就冲进推理模型梯队。但要注意到Sonnet 4.5在推理消耗上，与4并无差异，平均Token消耗仅990，比Grok4 Fast还要低15%。因此尽管Sonnet 4.5单价很高，综合成本并不高。 而推理版在后训练魔术下，成为仅次于GPT 5和mini的第三个站上80分的推理模型。综合的Token消耗和成本也仅比4代小幅上涨。 逻辑成绩： 1 表格为了突出对比关系，仅展示部分 可对照模型 ，不是完整排序。 2 题目及测试方式，参见： 大语言模型 逻辑能力横评 25 09月榜 。 大语言模型 逻辑能力横评 25 09月榜 3 完整榜单更新在 Github ( https://github.com/malody2014/llm benchmark ) 编程成绩： 1 题目及测试方式，参见： 大语言模型 编程能力测评 25 09月榜 。 大语言模型 编程能力测评 25 09月榜 语言分布: 图中，每种语言除第一名标绿以外，相差0.3分以内的第二名也标绿。这是考虑到测试本身有随机性，0.3分的差距可认为属于同一水平。 优化： • 指令遵循 ：Claude的一系列模型一直在指令遵循上有较好表现，4.5相比4则更进一步。主要考察指令的问题，如 16插件调用， 40代码推导。甚至 44工具组合这道让无数推理模型都翻车的严格指令遵循题目，4.5 基础版 也拿到不少分， 推理版 更是稳定满分。此前只有GPT 5可以稳定满分。 • 编程能力 ：指令遵循于编程水平强正相关，既然4.5在指令方面有不小进步，则编程能力自然也有相当程度的提升。其中 基础版 在前端语言TypeScript上进步显著，C++也从大量语法错误进化到基本可用，少量错误。但Java拖了不少后腿，这一版的Java并没有多少语法错误，但代码质量明显不如其他语言，Case通过率低。而且Java也是6种语言中，注释率最低的，其他语言平均注释率在5.6%，而Java低到3%。很多代码几乎是几百行代码0注释。如果不是Java的低分，4.5基础版总分应该不低于4。因此终端用户应该更注意语言单项分，而不是单一总分。 • 推理版 情况要好很多，各语言分布更均匀，更关键的是4.5推理版极强的代码准确率，代码几乎是一遍过，无语法错误，无编译错误。唯一一处异常来自C++的语法问题。使得推理版基础异常率低至0.9%，修复一轮后成为目前唯一一个0错误的大模型。这意味着，尽管Sonnet 4.5定价高，但完成同样的任务需要的轮次更少，总花费很可能会低于4。 • 但要考虑无论4.5基础还是推理版，其复杂推理能力依然比不起最头部的几款模型，在笔者的编程测试中，每道题都带一些复杂思考要求，Sonnet 4.5系列受制约，得分会略低于实战表现。实际编程中，最好使用其他模型提供算法思路和架构，由Sonnet负责实现，以发挥其最大价值。 不足： • 复杂推理 ：Sonnet 4在复杂推理方面，比不上头部GPT5和Grok4，但多少有一些亮点。而4.5则再往后退了一步，变得更为平庸。如 29数学符号还原， 35拼图问题， 43目标数， 49激光器布局等需要巧思的问题，4.5 基础版 均稳定的落后于4，没有思路，答案偏差也很远。 推理版 用更长思维链补足了一些缺陷，但也无法完全打平4。 • 字符处理 ：单字符处理能力也曾经是Sonnet 4的强项，而4.5 基础版 则有小幅退步。相关问题上，4.5的缺陷略多，并且无法稳定输出。 推理版 则基本持平Sonnet 4 Think，部分问题小幅进步。如 47字符迷宫问题，除了妥善字符处理，还需要指令遵循的问题，则推理版在更好的指令能力加持下，可以大幅超过4代。 赛博史官曰： Anthropic在大模型厂家里是比较特立独行的一家，身上带着精英气质。他在很早就确定了自己的主攻方向，不做全能模型，就连视觉模型也是为编程服务的。他们几乎不参与价格战，毫无动摇的给自家模型定高价，Claude系列长期是最贵的模型。这也完全无法阻挡广大程序员以Claude系列作为自己首选模型的热情。 在如此背景下，Sonnet的进化方向不是多选题，而是单选题。只有在原有领域上做到更强，更高效，才能安稳度过再一个竞争激烈的半年。