Claude Sonnet 5 深度評測：什麼時候該用 Opus 4.8，什麼時候它就夠了

先講結論

如果你只想要一句話：多數情況下 Sonnet 5 已經夠用，真正需要升上 Opus 4.8 的是「難的軟體工程」和「長時間無人看管的自主任務」這兩類。

如果你想要一張表：

你的情況	建議
一般問答、寫作、資料整理	Sonnet 5，而且你多半已經在用了
日常寫程式、改 bug、跑測試	Sonnet 5
大型重構、跨檔案的難題	Opus 4.8
讓 agent 自己跑一整晚	Opus 4.8
成本敏感、量大	Sonnet 5，並且先調 effort 再考慮換模型

更新（2026-07-24）： 這篇寫於 Opus 5 上線之前。7 月 24 日 Anthropic 發佈 Claude Opus 5，API 代號 claude-opus-5，每百萬 token 輸入 5 美元、輸出 25 美元，與 Opus 4.8 同價，並成為 Claude Max 的新預設模型、Pro 方案上最強的可選模型。所以下面凡是講「什麼時候該升上 Opus 4.8」的段落，今天同樣的錢應該升到 Opus 5，官方稱它已接近 Fable 5 的前沿智慧。文中 Opus 4.8 的評測數字仍然有效，但請當成上一代的基準。Sonnet 5 仍是免費與 Pro 方案的預設模型，這一點沒有變。

下面是這張表背後的依據，以及一條我認為多數評測沒講清楚的價格伏筆。

一、你可能已經換過去了，只是沒收到通知

6 月 30 日，Anthropic 上線 Claude Sonnet 5，API 代號 claude-sonnet-5。同一天它成為免費與 Pro 方案的預設模型，Max、Team、Enterprise 也都能用。

這件事的體感很特別。過去換模型是一個動作：你要去下拉選單挑。這次不是，多數人是某天打開對話框，背後跑的東西已經換了，介面沒有任何提示。Anthropic 給它的定位是「至今最具代理性的 Sonnet」，意思是它被優化的方向不是聊天答得漂亮，而是拿著工具把事情做完。

這也解釋了為什麼它的分數長成後面那個樣子：進步最大的幾格，全都跟「會不會用工具」有關。

二、數字攤開來看

以下是 Anthropic 在發表時公布的評測結果。我用三份彼此獨立的第三方整理交叉比對過，Sonnet 5 與 Sonnet 4.6 這兩欄的每一個數字，三份來源完全一致。

評測項目	Sonnet 4.6	Sonnet 5	Opus 4.8
SWE-bench Pro（軟體工程）	58.1%	63.2%	69.2%
Terminal-Bench 2.1（終端機操作）	67.0%	80.4%	見下方說明
OSWorld-Verified（電腦操作）	78.5%	81.2%	見下方說明
Humanity's Last Exam（可用工具）	46.8%	57.4%	57.9%
Humanity's Last Exam（不可用工具）	34.6%	43.2%	—
GDPval-AA v2（知識工作，Elo）	—	1618	1615

先看 Sonnet 4.6 到 Sonnet 5 這一段。Terminal-Bench 2.1 從 67.0% 跳到 80.4%，13 個百分點，是整組數字裡幅度最大的一格。Humanity's Last Exam 在可用工具的條件下從 46.8% 到 57.4%，也超過 10 個百分點。而在不可用工具的條件下，同一份考題只從 34.6% 到 43.2%。

同一個模型、同一份考題，給不給工具的差距是 14 個百分點。這個對照很能說明它這一代被投資在哪裡：不是變得更博學，是變得更會查、更會動手。

再看 Sonnet 5 對 Opus 4.8。純軟體工程的 SWE-bench Pro 上，Opus 4.8 的 69.2% 仍然明顯領先，6 個百分點不是可以忽略的差距。但在 Humanity's Last Exam 的工具組，兩者是 57.4% 對 57.9%，實質上打平。

三、有一格是 Sonnet 第一次贏

GDPval-AA v2 是偏「知識工作」的基準，用 Elo 分數呈現。Sonnet 5 是 1618，Opus 4.8 是 1615。

分差小到不該拿來說誰比較強，3 分的 Elo 差距在統計上幾乎沒有意義。但它的象徵性值得記一筆：這是 Sonnet 等級的模型第一次在基準上超過同期的 Opus 旗艦。過去 Anthropic 的三階分工很乾淨，Haiku 快、Sonnet 均衡、Opus 最強，價格由低到高排一條直線。現在這條線在某一段上交叉了。

對使用者而言，這代表「Opus 一定比較好」不再是可以直接套用的預設。它在某些任務上依然明顯較強，但你得先知道自己的任務落在哪一類。

四、有兩格我沒對上，所以我不填

Terminal-Bench 2.1 和 OSWorld-Verified 這兩項，Opus 4.8 的分數我沒能對到官方原始表格。

我查到的三份第三方整理彼此不一致：Terminal-Bench 上 Opus 4.8 有寫 74.6% 的、有寫約 79% 的，也有整理推算出 Sonnet 5 在這項落後的；OSWorld 則有 81.7% 和 83.4% 兩個版本。Sonnet 5 自己的 80.4% 與 81.2% 三份來源都一樣，有問題的只有 Opus 4.8 那一欄。

三份來源給出三個不同答案，代表其中至少兩份是錯的，我沒有辦法判斷哪一份對。所以這兩格我留白，不用「大約」或「據報導」把它糊過去。

如果你的決策剛好卡在這兩項上，建議直接去看 Anthropic 官方的模型發表頁與系統卡，不要採信任何二手整理（包括這一篇）。

五、價格看起來沒漲，但帳單可能會

這是我認為最容易被跳過的一段。

先講明面上的價格，以每百萬 token 計：

模型	輸入	輸出
Sonnet 5（導入價，至 8/31）	2 美元	10 美元
Sonnet 5（標準價）	3 美元	15 美元
Sonnet 4.6	3 美元	15 美元
Opus 4.8	5 美元	25 美元

導入價到 2026 年 8 月 31 日為止，之後回到 3 美元／15 美元 —— 跟 Sonnet 4.6 完全相同。單看這張表，結論會是「效能大幅提升，價格不變」。

但 Sonnet 5 換了新的 tokenizer。官方說明寫得很清楚：同一段輸入會對應到大約 1.0 至 1.35 倍的 token，實際倍率依內容型態而定。

把兩件事疊起來看：每個 token 的價錢一樣，但同一份文件會被切成更多 token。所以 8 月 31 日之後，同樣的工作量，帳單有機會比 Sonnet 4.6 時期高，而你在價目表上看不到這件事。這也意味著 100 萬 token 的脈絡長度，實際能裝進去的文字量比舊模型少一些。

如果你有在跑量，這裡有兩個具體建議。第一，不要沿用舊模型量到的 token 數推估成本，用 count_tokens 對自己最常用的那幾份提示詞，新舊模型各測一次再比。第二，如果你的 max_tokens 是照 Sonnet 4.6 的輸出長度調過的，回去確認一下。同樣的回答內容在新 tokenizer 下會佔更多 token，原本剛好夠的上限現在可能會把回答砍掉一半。

六、比「選哪個模型」更該先動的旋鈕

effort 這個參數控制模型願意花多少力氣思考，可以設 low、medium、high、xhigh、max。在 Claude API 與 Claude Code 上，Sonnet 5 的預設值是 high。

我想強調的是：這個旋鈕對成本與速度的影響，常常大過換模型。同一個模型從 low 轉到 max，token 用量與等待時間的差距相當可觀，而不同 effort 下的表現曲線也不是同一條。有第三方分析指出，Sonnet 5 在 xhigh 設定下可以達到接近 Opus 4.8 的準確度，而每個任務的 token 成本大約只有三分之一。這是單一來源的觀察，數字我沒有第二份佐證，但方向值得參考。

實務上的順序建議是這樣：先固定模型，把 effort 從 medium、high、xhigh 各掃一輪，用自己的實際任務評估；確定調到頂還是不夠，再考慮換模型。反過來先換模型再調參數，很容易多付錢卻沒解決問題。

順帶一提，「一律開 max 最保險」不成立。較高的 effort 在簡單任務上會出現想太多的狀況，反而拖慢速度、增加成本，結果不見得更好。

七、什麼情況該升 Opus 4.8

把上面的數字翻譯成判斷。

該用 Opus 4.8 的情況。 難的軟體工程，也就是跨多個檔案的重構、需要理解整個專案脈絡才能動的改動。SWE-bench Pro 那 6 個百分點的差距，主要就反映在這類任務上。長時間無人看管的自主作業也算，任務跑得越久，每一步的小失誤越會往後累積。還有一類是失敗代價高的場景：改到正式環境、動到金流、處理無法回復的資料，這時候多付的錢是買保險。

Sonnet 5 就夠的情況。 一般的寫程式與除錯、資料整理與分析、寫作與翻譯、大部分的日常問答。量大而單筆價值低的任務也是，這種情境下成本結構比單次品質重要。以及所有「你會在旁邊看著、隨時可以叫停」的互動式工作。

兩個都不用先想的情況。 如果你是一般使用者、沒在寫程式，那你其實不需要做這個決定 —— 打開 Claude 就是 Sonnet 5。真的遇到它處理不好的難題，再手動切到 Opus 試一次就好。

八、如果你不寫程式，這件事的意義是什麼

這一代的進步集中在「動手」而不是「知道」，而這件事對一般使用者的意義，比分數本身大得多。

前面那組對照講得很直白：同一份考題，給工具比不給工具高出 14 個百分點。這意味著你使用 AI 的方式，回報率最高的改變可能不是把提示詞寫得更精巧，而是把資料、檔案、工具接到它手上。同一個問題，你貼一段文字問它，跟你把整份檔案給它、讓它自己去查去算，得到的東西已經不是同一個等級。

這也跟我們先前談過的觀察對得上：模型之間的差異，越來越不是「誰比較聰明」，而是「誰比較會用手邊的東西」。相關的討論可以參考〈換個語言，AI 就換了個性〉裡對模型性格差異的拆解，以及〈GPT-5.6 是什麼〉裡 OpenAI 那邊的三檔分工。兩家的產品線正在收斂到很像的形狀。

收尾

Sonnet 5 這一代最值得記的三件事：它在終端機與工具操作上跳了一大步，它在知識工作的基準上第一次追平了同期的 Opus，而它的價格有一條寫在 tokenizer 裡、不會出現在價目表上的伏筆。

至於怎麼選，我的建議還是那句：先確認你的任務屬於哪一類，再去看要不要多付那筆錢。多數人會發現自己根本沒走到需要 Opus 的那一格。

---

資料來源與查核說明：本文的效能數字出自 Anthropic 於 2026 年 6 月 30 日發表 Sonnet 5 時公布的評測結果，我以三份彼此獨立的第三方整理交叉比對，Sonnet 5 與 Sonnet 4.6 兩欄三份完全一致才採用。Opus 4.8 在 Terminal-Bench 2.1 與 OSWorld-Verified 兩項因來源互相矛盾，已於文中留白說明。定價與脈絡長度以 Anthropic 官方文件為準，查核日期 2026 年 7 月 20 日；導入價的適用期限與 tokenizer 的說明同樣出自官方文件。effort 於 xhigh 下的成本比較為單一第三方分析，文中已標註。方案內容與價格變動快，實際請以 Anthropic 官網為準。