Claude Sonnet 5 上線一日差評刷屏：打不過千問和 Minimax，性價比全面翻車

　　一張中文測評圖把Claude Sonnet 5送上風口浪尖。

　　作者丨高允毅

　　編輯丨馬曉寧

　　Claude Sonnet 5才發布了一天，網上已經吵翻天——幾乎全是差評。

　　Anthropic把它定位為“迄今最具 Agent 能力的 Sonnet”，甚至直接說它在大量智能體任務上已經接近旗艦 Opus 4.8，價格只有Opus 的四折。

　　聽起來，這就是來給開發者送溫暖的：更強的Agent、更便宜的API、更長的上下文、更穩的安全對齊。

　　但劇情沒有按官方劇本走。

　　發布不到 24 小時，一張來自 GitHub 的跑分截圖開始在中文技術圈瘋傳。這個項目叫LLM Benchmark Dashboard，是個人私有題庫，主要在邏輯、數學、編程、人類直覺等高難度硬核推理問題上，測模型在深度思考、長思維鏈（Reasoning）模式下的表現。

　　在這場考核中，被寄予厚望的 Sonnet 5 不僅沒能碾壓全場，反而暴露出一個致命弱點：極度拉胯的性價比。

　　經過仔細對比，我們可以看到三個關鍵事實：

　　第一，極限分數上 Sonnet 5 丟掉了絕對統治力。在這套硬核邏輯題里，MiniMax-M3 跑出了 61.95 的高分拔得頭籌，而 Qwen3.7-Plus 也在極限分上與 Sonnet 5 死死打平。這意味著國產推理大模型在純邏輯的較量上，已經有能力和硅谷頂流平起平坐。

　　第二，測試成本完全不在一個量級。這是對比中最刺眼的地方。Sonnet 5 跑完同一套測試花了 71.96 元，而 Qwen 只要 11.71 元，MiniMax 只要 11.64 元。Sonnet 5 的賬單是國產模型的 6 倍還多。 如果真按這個比例大規模調用，企業的商業落地成本根本難以承受。

　　第三，耗時最短，但在這里可能并不是好事。Sonnet 5 平均耗時僅 404 秒，遠快于 Qwen 的 1156 秒和 MiniMax 的 887 秒。這說明它的 Token 吐出速度確實快。

　　但在面對極難邏輯題時，“快”往往意味著思考不夠深。顯然，Sonnet 5 的思維鏈（CoT）堆疊得不夠厚，自我糾錯預算受限，導致它在真正需要“絞盡腦汁”的地方，沒能靠算力把極限分拉開。

　　也難怪網友看完第一反應如此真實：

“這不是能力不行，這是性價比不行。”

　　不過也要說明，這畢竟是一家個人維護的私有題庫，覆蓋面和命題風格都有特定偏向。它不能代表 Sonnet 5 的全部能力，但在中文開發者關心的“純邏輯攻堅”場景下，確實暴露了一個問題：在越來越卷的推理賽道里，Sonnet 5 不再是那個“閉眼選”的答案。

　　01

　　
平替 Opus？拉倒吧

　　Anthropic 給 Sonnet 5 設定的官方敘事，原本非常清晰：Agent 能力大升級，價格卻只要旗艦的四折。

　　為了拉攏開發者，官方甚至直接“發糖”：2026 年 8 月 31 日前限時特惠，API 輸入只要 2 美元 / 百萬 token。（活動結束后恢復 3 美元 ）

　　面對這波瘋狂暗示，全球社區的反饋卻分成了“三派”。

　　▎“吹爆派”表示，Sonnet 5 在多步 Agent 和工程編程能力上，確實頂到了天花板

　　在 Reddit 的開發者社區里，大量高強度手搓代碼的程序員發來賀電，驚嘆于它在復雜后端開發、多文件重構上的統治力。

　　有開發者在體驗后留下了這樣一句高贊評價：“它只用了一會兒，就修復了一個把最新旗艦 Opus 4.8 卡了好幾天的嚴重 Bug。拿到了 Opus 的智商，卻只收 Sonnet 的價格。”

　　這種強大的自主行動力本就是它的強項。在Claude Code 終端工具全新升級后，Sonnet 5 能夠自主進行工作流規劃、輸出自檢，并能熟練調用終端和瀏覽器。

　　在極具含金量的 SWE-bench Pro 官方跑分中，Sonnet 5拿下了63.2%，直逼Opus 4.8 的 69.2%；而在主力編程工具 Cursor 發布的真實測試里，Sonnet 5 在 CursorBench 上的得分從前代 Sonnet 4.6 的 49% 一路暴漲到了 57%。

　　這意味著在實際研發場景中，它已經有能力在沒有人類實時干預的情況下，獨立搞定超過一半的多文件復雜重構任務。

　　還有一位中文開發者實測了三個任務，分別是跨文件配置遷移、寫 API 中間件和重構 200 行工具函數。

　　結果前兩個任務完美通關， Sonnet 5還會主動跑測試，但在第三個任務“重構 200 行工具函數”上卻翻了車。但根本原因并不是代碼能力不行，而是項目沒寫測試框架版本，模型只好“憑感覺盲開”。

　　當然，它離“全能”還差得遠。技術大佬 Simon Willison 吐槽，Sonnet 5在組合工具調用時經常卡殼，冷知識問答也全憑運氣。最逗的是代碼渲染翻車現場，本想讓它畫一只“騎自行車的鵜鶘”，它硬是給“指鳥為鵝”，畫了只大白鵝出來。

　　▎吐槽派則認為Sonnet 5的Max 推理模式是個“賬單刺客”

　　如果說Sonnet 5基礎能力讓人驚喜，那它特意設計的Max 推理模式，直接把開發者看傻了。 官方初衷原本是希望模型進行更深度的推理。但實測發現，這玩意兒極度容易陷入高成本的“過度思考”。 有個網友神評論：“它思考了整整一個世紀，燒光了我的額度，最后就吐出那么短一句話。”

　　在 Agent 自主規劃場景下，Sonnet 5 的調用輪次比上一代翻了 3 倍，輸出 Token 膨脹了 40%。

　　有網友掏出計算器一算，如果按標準定價，用 Sonnet 5 完成一個長程智能任務要花 2.29 美元；而用上一代的Opus 4.8，只要 1.80 美元，直接貴了 15%。

　　而且，Anthropic 這次玩了個“暗度陳倉”，悄悄換了新的分詞器（Tokenizer）。導致同樣一段文本，現在的 Token 數量會直接膨脹最高 35%。有網友總結，“價格看著沒變，賬單直接漲飛了”。

　　當“話癆模型”遇上“計費通脹”，直接讓 ToB 企業大破防。

　　Uber剛給 5000 名工程師開通 Claude Code 試用，結果重度用戶的人均月度賬單直接飆到了 500–2000 美元。短短四個月，全年的 AI 編程預算被硬生生燒光，逼得 Uber CTO 緊急踩剎車，宣布重新評估財務模型。

　　無獨有偶，微軟最核心的 Windows 與 M365 團隊也扛不住了。據曝他們將在 2026 年 6 月全員停用 Claude Code，全面遷回自家的 GitHub Copilot，只為了控住那極其離譜的 Token 成本。

　　▎觀望派表示，不如國產模型，建議跳過

　　在中文技術圈和 X 上，不少網友直接把它跟 GLM-5.2、MiniMax-M3、DeepSeek V4 Pro 對比。

　　比能力？兩者幾乎持平。拼價格？價差最高 56 倍。

　　專注 AI 基準測試的 LisanBench 創始人直接在 X 上辣評，帖子瀏覽量瞬間突破67萬：“Sonnet 5 應該被扔進垃圾桶，它比 DeepSeek貴了整整 57 倍。”

　　更夸張的是一組來自國內開發者的真實跑賬對比：有人用國產 DeepSeek 跑一整天工作流，Token 消耗超過 2400 萬，賬單僅 11.73 元人民幣；而同一天用中轉站調 Claude，花了 1700 元人民幣。

　　11 塊 vs 1700 塊，差了 145 倍。 這已經不是“性價比”層面的較量了，這根本就是兩個世界的定價體系。

　　02

　　
爭議核心：成也推理，敗也推理

　　在這些爭議的核心，Sonnet 5的推理能力是另一個值得關注的話題。 一方面，它在Agent場景中表現出色，展現了極強的自主規劃、工具調用及多文件協作能力。它更像是能自主解決問題的“虛擬程序員”，場景越復雜，它的價值越高，展現了它在“慢思考”的真正實力。

　　但另一方面，它在邏輯推理和考試型任務上，無論是極限能力，還是性價比，不如國產模型。

　　歸根結底，也是因為它的Max 推理模式“用力過猛”。 在追求最高性能時，高延遲和高成本使得在該模式下進行簡單推理往往得不償失。

　　Hacker News 的技術大佬 doctoboggan去扒出了 Anthropic 官方的“成本-性能散點圖”后，證實了一個結論：

　　“在同等花銷下，Opus 4.8 的表現反而更好！”

　　03

　　
太“乖”也是一種翻車

　　除性能與定價爭議外，Sonnet 5 過度保守，也成為開發者集中吐槽的一大短板。

　　官方不僅自曝家丑，表示為了防止潛在濫用，模型被硬生生塞進了一個“道德審查器”。面對一些技術請求，它有時不僅不幫忙，還加大了對用戶的“說教”。

　　Anthropic還在發布會大肆宣傳：看！Sonnet 5 在“編寫 Firefox 漏洞利用代碼（Exploit Development）”的測試中，考了零分！

　　結果直接把 Hacker News 上的極客工程師們看笑了，網友們紛紛無情嘲諷：

“這就像一家安全公司在驕傲地宣布：看，我們故意讓這個模型變笨、變殘廢了，這樣它就肯定不會惹麻煩。”

　　對于需要進行網絡安全攻防演練、黑盒測試的白帽子工程師來說，這種過度安全對齊不僅沒有保護任何人，反而直接讓工具失去了原本該有的實用價值。

　　太“乖”的 Claude，也是一種翻車。

　　04

　　
性價比成為共識的追求

　　Claude Sonnet 5 到底翻沒翻車？這取決于你拿它干什么，以及你愿不愿意為它高昂的賬單買單。

　　如果你的核心痛點是 Agent 智能體編程、復雜后端工程重構、多文件長程協同，它大概率依然會讓你感到驚喜。

　　但如果你只是想跑一些中文硬核邏輯題、做日常知識問答、或者在預算有限的情況下追求極致性價比，那它的表現和瘋狂燃燒的 Token 賬單，可能完全對不起它的身價。

　　過去兩年，所有人比拼的都是“誰更聰明、誰的基準分更高”；而現在的技術圈與企業界，大家都在拿著算盤計算“誰更劃算、誰的商業落地成本更低”。

　　當國產 DeepSeek 級別的高級推理任務綜合成本只要 0.04 美元，而 Sonnet 5 在 Max 模式下要花 2.29 美元時，跑分榜上那一兩分的微弱差距，已經根本無法支撐起高達56倍的恐怖價差。

　　大模型賽場，已經不再是Anthropic 想怎么定價，開發者就得怎么掏錢的時代了。

　　對于正處于算力與預算雙重焦慮中的普通開發者而言，或許最想問的是：我為 AI 燒進去的每一分真金白銀，真的都買到了對應價值的‘智能’嗎？

　　希望 Claude 能好好回答這個問題。