Claude Sonnet 5.5 和 Opus 5.5：写代码的 bug 率 Opus 垫底，抓 bug 又是 Opus 赢

1.5K 0

Sonnet 5.5 发布页的跑分表里，有一格数字是倒着长的：FrontierCode 1.1 上，它开到最高档 max 只拿了 46.2%，降一档到 xhigh 反倒是 52.1%。

多想了一档，少了将近六分。

Anthropic 自己在脚注里交代了原因。FrontierCode 会扣“改了题目没让改的地方”的分，而 Sonnet 5.5 在 max 档更爱调用 Claude Code 里的代码审查技能，那个技能会把审查拆给一堆子代理并行去做。Cognition 翻查的两道题里，一道跑到超时，一道顺手多改了几处范围外的代码，分就这么丢了。

这个翻车很小，却正好戳中这次 Sonnet 5.5 和 Opus 5.5 之间最容易被忽略的一件事：两个模型在“写”和“查”这两个动作上，强弱是反过来的。下面的数据会反复回到这一点。

两张榜单，结论打架

代码审查公司 cubic 有个 bugbench，统计各家模型写出来的代码里平均有多少被数出来的 bug，用相对值表示，1.00 是平均线，越低越好。10 月 22 日更新的页面上，Sonnet 5.5 是 1.06，七个模型里排第三；Opus 5.5 是 1.39，排第七，也就是最后一名。

分语言看更有意思。TypeScript 上 Sonnet 0.76、Opus 1.25，Go 上 Sonnet 0.11、Opus 1.46，差距很大；可到了 JavaScript，Sonnet 一下子涨到 3.34，Opus 是 1.41，Sonnet 反过来差了一倍多。Python 两边统计上算打平。

换到 CodeRabbit 那边，故事完全翻面。他们拿 13 个已知 bug 的硬骨头 PR 做审查测试：Sonnet 5.5 开思考抓到 6 个（46.2%），Opus 5.5 标准档抓到 8 个（61.5%），Opus 开 max 抓到 10 个（76.9%）。评论被评审判定“可执行”的比例，Sonnet 是 41.2%，Opus 标准档 66.7%。原文还有一句很扎心：13 个里有 4 个，他们跑过的所有 Sonnet 配置一个都没抓到。

所以同一个 Opus，写代码的 bug 率垫底，查代码的命中率领先。

cubic 没公开 bug 的判定口径和样本量，这组数我只当方向看，不当刻度看。但两边数据指向同一个分工：Sonnet 5.5 落笔干净、产出少，适合写；Opus 5.5 想得多、话也多，留着做审查更划算。CodeRabbit 的单次审查成本 Sonnet 是 0.47 美元，Opus 贵不少，可审查这种活通常一个 PR 只跑一次，贵也贵得有限。

effort 档位里的价格陷阱

标价很好记：Anthropic 给 Opus 5.5 定的是每百万 token 输入 4 美元、输出 20 美元，9 月 22 日上线，比 Opus 5 的 5/25 便宜了两成；Sonnet 5.5 是 9 月 28 日发的，2/10，正好一半。缓存读取 Sonnet 0.10、Opus 0.20，缓存写入 2.50 对 5。

按这个比例，很多人默认“Sonnet 永远便宜一半”。到了高档位，这句话就不成立了。

Artificial Analysis 智能指数 v4.3.2 在 10 月 19 日那次核对里，每道题的花费是这样的：

档位	Sonnet 5.5 分数 / 每题	Opus 5.5 分数 / 每题
medium	41 / 0.48 美元	51 / 1.34 美元
high	47 / 0.88 美元	54 / 1.82 美元
xhigh	52 / 2.01 美元	56 / 3.46 美元
max	56 / 5.46 美元	58 / 5.98 美元

看斜对角：Sonnet 开 max 拿 56 分花 5.46 美元，Opus 开 xhigh 同样 56 分，只要 3.46 美元。要追这个分数段，单价低一半的 Sonnet 反而每题多花 58%。原因是 Sonnet 在 max 档会把 token 烧得非常凶，档位越高，单价优势被吃得越干净。

还有一层时间差。上线头一周的 10 月 2 日，Sonnet 5.5 max 每题是 7.62 美元，到 19 日降到 5.46 美元。榜单数字在变，拿哪天的截图做预算，结论会不一样。

反过来，低档位才是 Sonnet 的主场。有人在一个 11 个文件的 PHP 仓库上跑了四类任务（修舍入 bug、跨 5 个文件改类名、写计价脚本、抽重复校验），每类三遍：Sonnet 5.5 medium 12 次全过，总共 0.88 美元，单次中位 13.4 秒；Opus 5.5 medium 也是 12 次全过，总共 1.91 美元，21.8 秒。把 Sonnet 调到 high，结果一模一样，单次中位成本还是 0.074 美元。差价的大头来自单价，剩下的来自 Sonnet 少写了 43% 的输出。

结论很朴素：Sonnet 5.5 停在 medium 或 high。开到 xhigh 以上，不如直接换 Opus。

跑分表上那格 70.6%

Terminal-Bench 4.0 是 Sonnet 5.5 被转发最多的一项：70.6% 对 Opus 的 66.4%，看上去“小号赢了大号”。

可两边不是同一个档位。Opus 那格脚注写明是 xhigh，也就是它的最高分；Sonnet 那格，发布页说是 medium，系统卡又说是在 Claude Code 里开 max 跑的，两份官方材料对不上。我倾向于把这一项当成“Sonnet 在终端任务上不输 Opus”，别读成“Sonnet 更强”。

其余几项 Opus 小幅领先，差距都在 Anthropic 自己给的约 2.5 分标准误附近：CursorBench 4.0 是 57.8% 对 55.5%，Humanity’s Last Exam（带工具）67.7% 对 64.5%，OSWorld 2.1 是 81.8% 对 80.1%，GDPval-AA 两边只差 2 分 Elo。

真正拉开的是知识类。AA-Omniscience 的事实准确率，Opus 66%、Sonnet 54%。

不过 Opus 在这项上也有短板：它的幻觉率是 59%，比 Sonnet 的 47% 还高。这个指标衡量的是“不会的题里，有多少硬答了”。Opus 知道得更多，不知道的时候也更敢编。拿它查资料、写调研，引用一定要回头核。

从 Sonnet 5 迁过来会断的几处

Sonnet 5.5 不是换个模型名就能跑。几处会直接报错的改动：

关闭思考的写法 type: “disabled” 被拒，最低只能设 between_tools，而且只在 low、medium、high 三档生效。强制指定工具调用（any 或点名某个工具）会报错，得改成 auto 加严格工具定义。旧的 computer_20251124 工具在 Claude API 和 Google Cloud 上不认了，要换新工具集，Bedrock 暂时还留着旧的。

档位本身也被重新标定过，5.5 的 medium 比 Sonnet 5 的 medium 想得少。从旧项目搬过来的 effort 配置最好重测一遍，别直接沿用。

安全上也多了一道闸。Sonnet 5.5 是第一个带网络安全防护的 Sonnet，高风险的安全类请求会明着回落到 Sonnet 5 去答。Artificial Analysis 跑指数时大约 0.1% 的题触发了这个回落，多半出在 Terminal-Bench。做渗透测试、写漏洞利用的团队，要么申请 Anthropic 的网络安全验证计划，要么就得接受这部分请求被降级。

Claude Code 里还有一个容易踩的点：会话中途切模型，缓存会作废，下一轮按全价把整段对话重读一遍；新模型也读不到上一个模型的思考块。想“Sonnet 写、Opus 审”，最好开成两个会话或者用子代理，别在同一个会话里来回 /model。另外 /fast 只对 Opus 开放，Sonnet 没有这个加速档，Opus 的快速模式价格是 8/40，翻了一倍。