Claude Sonnet 4.6评测：十分之一价格实现旗舰级AI性能

概述：中端模型的逆袭

Anthropic在2026年2月发布了Claude Sonnet 4.6，这款定位"中端"的模型展现出令人震惊的实力——多项基准测试中逼近甚至超越旗舰级Opus 4.6，而价格仅为GPT-4的十分之一。这不是简单的版本迭代，而是重新定义了AI模型性价比的天花板。

Sonnet 4.6被Anthropic定义为混合推理模型（Hybrid Reasoning Model）。这一架构代表了大语言模型演进的重要方向：传统LLM对所有输入采用相同的计算深度，而混合推理模型能够动态分配计算资源——对简单问题走"快思考"路径，对复杂问题激活"慢思考"的链式推理（Chain-of-Thought）机制。这一设计灵感部分来源于诺贝尔经济学奖得主丹尼尔·卡尼曼的"系统1/系统2"认知理论，OpenAI的o1/o3系列、Google的Gemini Thinking都是同一范式的代表实现。混合推理的核心价值在于打破了"更强性能必然意味着更高成本"的线性关系。Sonnet 4.6具备1M上下文窗口，支持扩展思维和自适应思维模式，在编码、长文本推理、计算机操作等核心能力上实现了质的飞跃，同时维持了极具竞争力的定价。

核心能力：从基准到实战

计算机操作能力的突破

Sonnet 4.6最亮眼的进步体现在"计算机使用"能力上。在OS World Verified基准测试中，该模型得分72.5%，几乎追平Opus 4.6的72.7%，相比上一代Sonnet 4.5的61.4%实现了巨大跨越。

OS World是由学术界于2024年提出的计算机操作能力评估基准，专门测试AI模型在真实操作系统环境中完成复杂任务的能力，涵盖文件管理、网页操作、应用程序交互等场景。与传统文本问答基准不同，OS World要求模型具备感知屏幕截图、规划多步骤操作序列、执行鼠标键盘指令的综合能力，被视为衡量AI"具身智能"（Embodied Intelligence）的重要指标。值得注意的是，人类在该测试中的平均得分约为72-74%，这意味着Sonnet 4.6的72.5%已正式进入人类水平区间。这一突破对RPA（机器人流程自动化）行业具有颠覆性意义——传统RPA依赖预设规则和固定界面，而基于大模型的计算机操作代理可以理解语义意图并自适应界面变化。

2024年这个基准测试刚推出时，早期Sonnet模型的得分仅在十几分。不到两年时间，从"勉强能用"进化到"接近人类水平"，进步速度惊人。实际应用中，Sonnet 4.6可以自主操作电子表格、填写复杂网页表单、跨多个浏览器标签收集数据，并处理多步骤数字工作流。

百万级上下文窗口

默认支持200,000 tokens，Beta版本可扩展至1,000,000 tokens——这不只是数字上的提升。1M tokens约等于75万英文单词或约150本普通小说的篇幅，但扩展上下文窗口面临两大核心技术挑战：其一是计算复杂度，标准Transformer架构的注意力机制（Self-Attention）计算量与序列长度呈平方关系增长；其二是"迷失在中间"（Lost in the Middle）问题，研究表明早期模型即使拥有长上下文能力，也倾向于忽略文档中间部分的信息。Anthropic通过改进位置编码（Position Encoding）、引入稀疏注意力机制以及专项训练来解决这些问题。

关键在于Sonnet 4.6经过专门训练，能有效利用全部上下文信息。在"大海捞针"测试中（研究人员将特定信息隐藏在海量文档深处，专门检验模型是否真正克服了"迷失在中间"问题），Sonnet 4.6的表现与Opus持平。

这意味着你可以一次性输入数十篇研究论文、完整的代码库或大量合同文档，然后提出具体问题，模型能准确定位到第23份文档第47页的相关信息。单次输出也支持高达64,000 tokens，无需反复要求"继续"。

编码能力的全面提升

GitHub产品副总裁指出，Sonnet 4.6"在复杂代码修复方面表现出色，能帮助开发者解决大规模代码库中的问题"。得益于超大上下文窗口和高级推理能力的结合，你可以将整个项目粘贴进去，描述一个bug，然后看着它在数千行代码中追踪问题根源。

另一家名为Pace AI的公司在保险问答基准测试中使用该模型，达到了94%的准确率——这是他们在数据密集型任务中见过的最佳结果。这一成绩与Sonnet 4.6显著降低的幻觉率密切相关：其扩展思维机制在给出最终答案前进行内部推理验证，相当于为模型增加了一道"自我审查"环节，有效抑制了模型在缺乏确定信息时"创造性填充