Claude Sonnet 5: повний огляд моделі Anthropic

TL;DR. Claude Sonnet 5 — наймогентніша модель Sonnet-рівня від Anthropic, випущена 30 червня 2026 року. За продуктивністю вона наближається до Opus 4.8, але коштує суттєво дешевше: $2/$10 за мільйон вхідних/вихідних токенів до 31 серпня 2026 року (потім $3/$15). Контекстне вікно — 1M токенів, максимальний вивід — 128K токенів. Головна перевага — краще співвідношення ціна/якість на агентних задачах (кодування, робота з інструментами, комп'ютерне використання) порівняно з попередником Sonnet 4.6 та конкурентами на кшталт GPT-5.5.

Зміст

• Що нового в Claude Sonnet 5
• Архітектура моделі
• Нові можливості для програмування
• Агентні можливості
• Робота з довгим контекстом
• Швидкість генерації
• Вартість API
• Тести на програмуванні
• Тести на аналізі документів
• Обмеження моделі
• Коли Sonnet 5 краще за GPT-5.5
• Кому варто переходити
• Часті запитання

Що нового в Claude Sonnet 5

30 червня 2026 року Anthropic випустила Claude Sonnet 5 — модель, яку компанія прямо називає найагентнішою у своїй лінійці Sonnet. Це важливе формулювання: якщо попередні покоління Sonnet (3.5, 3.6, 3.7) відкрили епоху агентного кодування, а найпомітніші агентні здобутки останнього року діставалися моделям рівня Opus, то Sonnet 5 повертає це лідерство середньому ціновому сегменту.

За офіційними даними Anthropic, Sonnet 5 суттєво покращує показники порівняно з Sonnet 4.6 у міркуванні, роботі з інструментами, кодуванні та задачах knowledge work, а за продуктивністю наближається до Opus 4.8 — залишаючись значно дешевшим. Модель одразу стала дефолтною для Free та Pro-планів Claude.ai і доступна в Max, Team, Enterprise, Claude Code та через Claude API під ідентифікатором claude-sonnet-5.

Ще одна суттєва зміна — оновлений токенізатор (аналогічний тому, що з'явився в Opus 4.7): той самий текст тепер може перетворюватися на більшу кількість токенів, приблизно у 1.0–1.35 раза залежно від типу контенту. Anthropic каже, що стартова ціна підібрана так, щоб перехід був приблизно cost-neutral.

Архітектура моделі

Sonnet 5 побудований на тій самій концептуальній основі, що й попередні покоління Claude — адаптивній архітектурі мислення (adaptive thinking), де модель динамічно виділяє «бюджет міркування» під складність конкретного запиту, а не використовує фіксовану глибину reasoning для будь-якої задачі. У Sonnet 5 цей механізм отримав розширений діапазон рівнів зусиль (effort levels): low, medium, high, max та новий, найвищий рівень xhigh (extra high).

Технічно effort level — це параметр запиту, який керує тим, скільки токенів модель дозволяє собі витратити на внутрішнє міркування (thinking tokens) перед формуванням фінальної відповіді, а також наскільки агресивно вона перевіряє власні проміжні кроки в агентному циклі. На нижчих рівнях (low, medium) модель оптимізована під швидкість і вартість — підходить для класифікації, коротких відповідей, простих tool calls. На вищих (high, max, xhigh) вона витрачає більше токенів на покроковий аналіз, повторну перевірку логіки та дослідження контексту перед дією — це напряму впливає на якість у складних агентних сценаріях, але пропорційно збільшує і вартість, і латентність запиту.

Важливо розуміти механіку вибору: effort level — це не перемикач між «різними моделями» всередині Sonnet 5, а параметр одного й того ж чекпоінта, який змінює обчислювальний бюджет під час inference. Це принципово інший підхід порівняно з тим, коли команда обирала між Sonnet і Opus як двома окремими моделями — тепер той самий чекпоінт може закривати і дешеві high-volume задачі, і складні задачі, що раніше вимагали переходу на дорожчу модель. Детальний опис параметра — у документації Claude API з effort levels.

Anthropic ілюструє економічний ефект цього підходу на графіках cost-performance для двох евалюацій: агентного пошуку BrowseComp (модель повинна автономно шукати інформацію в вебі, будуючи ланцюжок запитів і уточнень) та комп'ютерного використання OSWorld-Verified (модель керує реальним desktop-оточенням — відкриває застосунки, клікає, заповнює форми). На обох бенчмарках крива Sonnet 5 лежить суттєво вище кривої Sonnet 4.6 на будь-якому рівні витрат — тобто це не просто «нова модель дорожча, але й краща», а строге покращення cost-performance frontier. На максимальному рівні зусиль (xhigh) Sonnet 5 в окремих задачах наближається до показників Opus 4.8, працюючи на середньому-високому рівні зусиль, хоча запуск Sonnet 5 на xhigh може коштувати дорожче за Opus 4.8 на порівнянному рівні — тому для найважчих задач Opus 4.8 з нижчим effort level часто лишається економічно доцільнішим вибором.

Практична порада для продакшн-систем: не фіксуйте один effort level глобально для всього застосунку. Розумніше маршрутизувати запити динамічно — прості tool calls і класифікацію тримати на low/medium, а складні багатокрокові агентні ланцюжки (рефакторинг, computer use, дослідницькі задачі) підіймати до high або max лише коли складність задачі це виправдовує.

На рівні модальностей та інтерфейсів Sonnet 5 підтримує текстові, графічні (vision) та файлові входи, structured outputs з JSON-схемою, prompt caching, вбудований веб-пошук та повноцінний computer use — керування браузером і терміналом як частину агентного циклу, коли модель сама вирішує, коли викликати інструмент, а коли продовжити міркування. Для сценаріїв, де агент працює з потенційно небезпечними діями (виконання коду, робота з зовнішніми системами), у Sonnet 5 за замовчуванням увімкнені real-time cyber safeguards — окремий контур, що відстежує й блокує явно шкідливі патерни використання просто під час inference, без потреби додаткового фільтра на боці розробника.

Нові можливості для програмування

Найпомітніші зміни для розробників стосуються не «знання мов програмування» — тут різниця між поколіннями моделей давно не головна — а поведінки моделі під час тривалої, багатокрокової роботи над кодом. Це підтверджують і бенчмарки, і незалежні виміри в реальних IDE.

За опублікованими цифрами, на SWE-bench Verified Sonnet 5 показує 85,2% — суттєвий стрибок відносно Sonnet 4.6. На складнішому, стійкому до контамінації варіанті SWE-bench Pro (задачі з активно підтримуваних репозиторіїв без витоку в тренувальні дані) результат — 63,2%, це на п'ять пунктів вище за Sonnet 4.6 (58,1%) і шість пунктів позаду Opus 4.8 (69,2%). Важливо не змішувати ці два варіанти бенчмарку між собою: Verified і Pro вимірюють різну складність задач, і порівнювати число з одного з числом з іншого некоректно.

Окремо вартий уваги результат на Terminal-Bench 2.1 — бенчмарку, що перевіряє виконання реалістичних командно-рядкових задач у контейнерному середовищі: встановлення залежностей, запуск тестових наборів, робота з конфігами. Sonnet 5 набирає тут 80,4%, що вище за показник самого Opus 4.8 (74,6%). Це перший зафіксований випадок, коли модель рівня Sonnet перевершує старшу модель Opus на тому самому харнесі того самого покоління — і саме термінальна робота історично вважалась сильною стороною Sonnet-лінійки ще з часів 3.5 і 3.6.

Незалежне підтвердження напряму покращення дає CursorBench — внутрішній бенчмарк команди Cursor, виміряний у їхньому продакшн-харнесі: Sonnet 5 показує 57% проти 49% у Sonnet 4.6 — найбільший приріст між сусідніми релізами Sonnet, який Cursor фіксував.

За відгуками ранніх партнерів Anthropic, Sonnet 5 частіше доводить складні задачі до кінця там, де попередні версії Sonnet зупинялися на середині шляху, і самостійно перевіряє власний результат без явного прохання. В одному з наведених прикладів модель, розслідуючи баг, без додаткових інструкцій написала тест, що відтворює проблему, реалізувала виправлення, а потім тимчасово прибрала зміну (stash), щоб підтвердити — без фіксу баг дійсно повертається.

Це узгоджується зі спостереженнями інженерів, які тестували модель на «браунфілд»-коді — race conditions, приховані тести, ділянки коду, які ніхто не хоче чіпати. За словами Domenic Elm, засновника-інженера одного з партнерів раннього доступу, модель краще простежує справжню першопричину помилки в такому коді замість того, щоб латати симптом — а не просто пропонує найшвидший видимий фікс.

Практичний наслідок для команд: якщо основне вузьке місце сьогодні — саме термінальні агентні задачі (CI-скрипти, DevOps-автоматизація, робота з Docker), Sonnet 5 варто протестувати як повноцінну альтернативу Opus 4.8 в цьому конкретному сценарії — за офіційними цифрами, тут він не просто наздоганяє флагман, а обходить його при значно нижчій вартості токена.

Агентні можливості

Агентність — центральна теза релізу, і саме тут різниця між Sonnet 5 і Sonnet 4.6 найбільша за абсолютними цифрами. Модель вміє будувати план дій, використовувати інструменти на кшталт браузера й терміналу та працювати автономно на рівні, який ще кілька місяців тому вимагав більших і дорожчих моделей.

На OSWorld-Verified — бенчмарку комп'ютерного використання, де модель керує реальним desktop-оточенням (відкриває застосунки, заповнює форми, орієнтується в інтерфейсах, яких ніколи раніше не бачила) — Sonnet 5 набирає 81,2%, впритул наближаючись до Opus 4.8 (83,4%). На агентному пошуку BrowseComp, що вимагає побудови ланцюжка уточнюючих веб-запитів для відповіді на складне фактологічне питання, результат — 84,7%.

Найнесподіваніший результат — на GDPval-AA v2, бенчмарку економічно значущої роботи зі знаннями (аналітичні звіти, професійні документи, бізнес-задачі): Sonnet 5 набирає 1 618 Elo проти 1 615 в Opus 4.8. Різниця в три пункти статистично незначна й лежить у межах шуму вимірювання, але сам факт, що модель середнього цінового рівня вперше зрівнялась із флагманом покоління на knowledge work-задачі, — важливий сигнал для того, як Anthropic бачить позиціонування Sonnet 5 всередині лінійки.

Показовий приклад агентної автономності з офіційного анонсу: команді доручили дволанковий бізнес-процес — оновити тарифні рівні клієнтів у Salesforce і розіслати анонс запуску корпоративним контактам. Раніше подібні завдання зупинялись на середині; Sonnet 5 довів процес до кінця самостійно, без проміжного втручання людини. Схожий патерн описує представник постачальника страхових воркфлоу Pace: модель послідовно обирає правильну дію та виконує її швидко на задачах прийому заявок, first notice of loss і обробки loss run — саме тому класу багатокрокової роботи з браузером і внутрішніми системами, який і вимірює OSWorld-Verified.

На рівні безпеки агентної поведінки Anthropic також відзначає прогрес: модель краще відмовляє у шкідливих запитах і стійкіша до спроб перехоплення керування через prompt injection — критично важливо саме для агентних сценаріїв, де модель самостійно читає й обробляє зовнішній, потенційно ворожий контент (сторінки, документи, відповіді API) в рамках свого робочого циклу. Рівень галюцинацій і сикофантії (надмірного підлаштування під користувача) також нижчий, ніж у Sonnet 4.6, а за замовчуванням увімкнені real-time cyber safeguards — контур, що відстежує й блокує явно шкідливі патерни використання просто під час inference.

Варто зважати на межу можливостей: на найважчому коридорі агентних задач (SWE-bench Pro, найскладніші сценарії xhigh) Opus 4.8 усе ще лідирує з відривом у шість пунктів. Sonnet 5 не замінює Opus 4.8 повністю — він переносить поріг «достатньо хорошої» агентної автономності на суттєво нижчий ціновий рівень, залишаючи флагман для випадків, де ціна помилки вища за різницю у вартості токенів.

Робота з довгим контекстом

Claude Sonnet 5 працює з контекстним вікном 1M токенів — і це не опційний режим, а значення за замовчуванням і водночас максимум: окремого «меншого» варіанта моделі з вужчим контекстом не існує, на відміну від деяких попередніх поколінь, де 1M-контекст вмикався окремим бета-заголовком. Максимальний обсяг виводу — 128K токенів на звичайних запитах (до 300K через розширений бета-режим Batch API).

Принципова відмінність від підходу частини конкурентів — відсутність надбавки за довжину запиту: запит на 900 тисяч токенів тарифікується за тією самою ціною за токен, що й запит на 9 тисяч. У контекстне вікно рахується все, що входить у запит і генерується у відповідь: системний промпт, історія повідомлень, результати виклику інструментів, зображення й документи, а також токени, витрачені моделлю на внутрішнє міркування (extended thinking) — тобто «безкоштовного» мислення поза бюджетом контексту не буває.

Для тривалих агентних сесій, де історія діалогу й проміжні результати інструментів поступово заповнюють вікно, Sonnet 5 підтримує context awareness — модель автоматично відстежує залишок свого токен-бюджету протягом розмови й отримує оновлення після кожного виклику інструмента (наприклад, Token usage: 35000/1000000; 965000 remaining), що дозволяє їй самій планувати, скільки контексту ще можна витратити на дослідження проблеми, а скільки — лишити на фінальну відповідь. Для випадків, коли розмова все ж наближається до межі вікна, платформа пропонує серверне стиснення контексту (context compaction) як основну стратегію керування довгими агентними воркфлоу, без необхідності вручну обрізати історію на боці застосунку.

Економіка довгого контексту суттєво покращується завдяки prompt caching: повторне використання великого стабільного префікса (системні інструкції, шаблон документа, контекст кодової бази) коштує суттєво дешевше за звичайний вхідний токен — читання з кешу тарифікується за суттєво нижчою ставкою, ніж базовий вхідний токен, що на практиці може давати до 90% економії на повторюваному контексті. Для несрочних масових задач додатково доступний Batch API зі знижкою 50% на вхідні й вихідні токени.

Для практичних задач це означає можливість завантажити в один запит великий кодову базу, довгий технічний документ або цілий пакет юридичних матеріалів для аналізу — без розбиття на чанки й без штрафу до ціни за розмір запиту. Один із наведених Anthropic прикладів використання — юридична дослідницька робота, де саме довгий контекст і співвідношення ціна/якість зробили міграцію на нову модель очевидним рішенням для команди.

Технічний нюанс, який варто врахувати при плануванні: через новий токенізатор той самий текст перетворюється приблизно на 30% більше токенів, ніж на Sonnet 4.6. Це не зменшує ефективну місткість вікна в токенах (вона лишається 1M), але зменшує, скільки тексту реально поміститься в те саме вікно — а отже, ліміти max_tokens, підібрані під Sonnet 4.6, варто перерахувати, а не переносити напряму.

Швидкість генерації

Anthropic не публікує окремий «токен за секунду» бенчмарк у пресрелізі, натомість акцентує увагу на іншому аспекті швидкості — швидкості досягнення результату в агентному циклі: та сама якість виводу за менше кроків. За відгуком однієї з команд, що використовує модель у аналітичних агентах для роботи з даними, Sonnet 5 «мислить» компактнішими кроками, і це напряму скорочує час до отримання інсайту — різниця, яку відчувають кінцеві користувачі продукту.

Для оцінки «сирої» швидкості генерації варто орієнтуватися на незалежні трекери, оскільки ці показники залежать від інфраструктури хостингу і можуть відрізнятися між Anthropic API, AWS Bedrock і Google Vertex AI. За вимірами Artificial Analysis для конфігурації з максимальним рівнем зусиль (xhigh), модель генерує близько 73,7 токена за секунду — це нижче медіани (80,7 т/с) серед reasoning-моделей порівнянного цінового сегмента. Час до першого токена (TTFT) на цій конфігурації суттєво вищий за медіану — прямий наслідок того, що на максимальному рівні зусиль модель спершу витрачає значний бюджет на внутрішнє міркування, перш ніж почати генерувати видиму відповідь.

Практичний висновок для розробників: ці цифри стосуються саме xhigh-конфігурації і не відображають типову поведінку моделі на low чи medium рівнях зусиль, де і TTFT, і пропускна здатність суттєво кращі. Effort level напряму впливає на сприйману швидкість — якщо для продукту критична латентність (наприклад, real-time чат-інтерфейс), варто свідомо тестувати нижчі рівні зусиль замість дефолтного адаптивного режиму, а не орієнтуватись на бенчмарки, зняті на максимальному effort.

Вартість API

Для порівняння, Opus 4.8 коштує $5 за мільйон вхідних та $25 за мільйон вихідних токенів — тобто навіть за стандартною ціною Sonnet 5 залишається помітно дешевшим при близькій продуктивності на частині задач. Anthropic також повідомила про підвищення рейт-лімітів у Chat, Cowork, Claude Code та Claude Platform, щоб компенсувати вище споживання токенів на високих рівнях зусиль.

Варто врахувати нюанс з токенізатором: той самий текст після переходу на Sonnet 5 може вимагати на 0–35% більше токенів. Це не «прихована» подорожчання — стартова ціна якраз і підібрана так, щоб компенсувати цей ефект, — але при плануванні бюджету краще закладати цю різницю в розрахунки.

Тести на програмуванні

За даними, оприлюдненими одразу після запуску, Sonnet 5 показує суттєве зростання на агентному кодуванні: за повідомленням TechCrunch, на одному з бенчмарків модель набирає 63,2% проти 69,2% в Opus 4.8 та 58,1% у Sonnet 4.6 — тобто розрив із флагманською моделлю значно скоротився порівняно з попереднім поколінням.

Найбільший стрибок зафіксований на Terminal-bench — евалюації, що перевіряє виконання багатокрокових задач у реальному терміналі: за повідомленнями, що спираються на офіційні матеріали запуску, показник зріс приблизно на 20 пунктів порівняно з Sonnet 4.6. Це напряму корелює з тим, що описують ранні тестувальники — модель довше утримує фокус на складних задачах і проводить ретельніші дослідження кодової бази перед тим, як вносити зміни.

Важливе застереження: Opus 4.8 залишається кращим вибором для задач, де критична максимальна точність, особливо на високих рівнях зусиль. Sonnet 5 не намагається замінити Opus — він розширює діапазон доступних компромісів між ціною і якістю.

Тести на аналізі документів

Окремого публічного бенчмарку саме під «аналіз документів» Anthropic для Sonnet 5 не публікувала — тут найпоказовіші дані радше якісні, ніж кількісні. У прикладі з юридичною фірмою команда відзначила, що Sonnet 5 показує найкращі результати саме в юридичних дослідженнях і аналітиці, і саме співвідношення ціни й якості зробило перехід на нову модель очевидним рішенням.

Практично для задач роботи з довгими документами (контракти, технічна документація, архіви) ключовими факторами лишаються: контекстне вікно 1M токенів без надбавки за довжину, підтримка файлових і графічних входів та можливість підняти рівень зусиль для складніших випадків аналізу. Якщо потрібні відтворювані числові показники якраз для RAG- та document-QA-сценаріїв — розумно прогнати власний набір документів через evaluation-пайплайн, а не покладатися виключно на загальні агентні бенчмарки.

Саме з цієї причини я не покладаюсь виключно на чужі бенчмарки, коли оцінюю нову модель для document QA — у власному проєкті AskYourDocs, self-hosted платформі для роботи з документами на базі Spring AI, Ollama і pgvector, я регулярно прикладаю нові моделі до реальних RAG-пайплайнів клієнтів. Показовий кейс, який я вже описував: для клієнта-юриста з архівом сканованих документів якість вилучення відповідей зросла з 17% до 50% лише за рахунок зміни підходу до OCR і ембеддингів — і саме такі практичні експерименти, а не загальні агентні бенчмарки, дають реальну картину того, як модель поводиться на «брудних» сканованих архівах, а не на чистих текстових датасетах.

Коли з'явиться доступ до Claude Sonnet 5 у продакшн-пайплайні AskYourDocs, плануємо прогнати той самий набір реальних документів і порівняти точність відповідей з попередніми моделями — результати додам сюди окремим оновленням.

Обмеження моделі

• Не перевершує Opus 4.8 на найскладніших задачах. На SWE-bench Pro — найважчому й стійкому до контамінації варіанті кодового бенчмарку — розрив із флагманом становить шість пунктів (63,2% проти 69,2%). Це системний, а не випадковий розрив: на найвищому рівні зусиль (xhigh) Sonnet 5 може коштувати навіть дорожче за Opus 4.8 при порівнянному рівні зусиль, не досягаючи його якості — тобто для задач на межі можливостей моделі «докрутити» Sonnet 5 максимальними налаштуваннями не завжди економічно виправдано.
• Слабші кіберспроможності — навмисно. Anthropic прямо повідомляє, що модель має суттєво нижчу здатність виконувати кібербезпекові задачі порівняно з поточними моделями Opus. У спільному з Mozilla тесті розробки експлойтів на реальних вразливостях Firefox 147 Sonnet 5 жодного разу не створила повністю робочий експлойт. Важливий нюанс: Sonnet 5 входить у Cyber Verification Program — програму верифікованого доступу для організацій із легітимними задачами кібербезпекового тестування, — але навіть у межах цієї програми Anthropic офіційно рекомендує Opus 4.8 для кібербезпекової роботи, що вимагає знижених обмежень (reduced guardrails). Тобто це свідомий поділ лінійки за призначенням, а не недогляд у тренуванні.
• Зміна вартості через новий токенізатор. За офіційними даними Anthropic, той самий вхідний текст перетворюється приблизно на 30% більше токенів, ніж на Sonnet 4.6 (діапазон 1.0–1.35× залежно від типу контенту — природна мова конвертується інакше, ніж код чи структуровані дані). Це не прихована зміна цінової політики: стартова ціна $2/$10 підібрана так, щоб перехід був приблизно cost-neutral, — але після 31 серпня, коли діятиме вже стандартна ставка $3/$15, ефект токенізатора складеться з підвищенням базової ціни, і сумарне зростання вартості запиту може бути помітнішим, ніж здається на перший погляд.
• Відсутність окремих бенчмарків для document QA та письма. Anthropic не публікує стандартизованих числових показників саме для аналізу документів чи якості редакційного письма — ці категорії частково покриваються загальними knowledge work-бенчмарками (наприклад GDPval-AA v2), але прямої відповідності «число з прес-релізу → якість на моїх документах» немає. Для цих сценаріїв доведеться покладатися на власне тестування на реальних даних, а не на офіційні цифри.
• Тимчасова інтро-ціна. Після 31 серпня 2026 року вартість токенів зростає на 50% (з $2/$10 до $3/$15 за мільйон вхідних/вихідних токенів). Для команд, що планують бюджет на кінець 2026 року, це варто закласти в розрахунки заздалегідь, а не як несподіванку у вересневому рахунку.
• Немає Priority Tier. На відміну від деяких інших моделей лінійки, для Sonnet 5 наразі недоступний Priority Tier — рівень обслуговування з гарантованою пропускною здатністю та пріоритетною обробкою запитів у періоди пікового навантаження. Для продакшн-систем з жорсткими вимогами до latency в моменти пікового трафіку це може бути практичним обмеженням, яке варто перевірити до переходу.

Висновок: що це означає на практиці

Жодне з перелічених обмежень не перекреслює головну цінність релізу — кращу економіку на переважній більшості агентних і кодових задач. Але сукупно вони окреслюють чіткий периметр, де Sonnet 5 — не універсальна заміна всьому, що використовувалося раніше:

• Для задач на межі складності (найважчі агентні сценарії, кібербезпекове тестування з мінімальними обмеженнями) Opus 4.8 лишається правильним вибором — і за прямою вказівкою самої Anthropic, і за цифрами бенчмарків.
• Для бюджетування переходу важливо рахувати не «ціну за токен», а «ціну за задачу»: ефект нового токенізатора (+30% токенів) і завершення інтро-періоду (+50% до ставки після 31 серпня) складаються, і сумарна зміна вартості типового запиту може суттєво відрізнятися від того, що показує голий прайслист.
• Для сценаріїв без офіційних бенчмарків (document QA, письмо) єдиний надійний спосіб прийняти рішення — прогнати власний набір реальних задач через обидві моделі паралельно, а не довіряти загальним agentic-цифрам із прес-релізу.

Практичний підсумок для команди, що вирішує, переходити чи ні: Sonnet 5 варто розглядати як модель за замовчуванням для нових продакшн-воркфлоу, але з обов'язковим A/B-тестом на реальних задачах перед повною міграцією — особливо там, де раніше стояв Opus, а економія планується саме за рахунок пониження тиру моделі.

Коли Sonnet 5 краще за GPT-5.5

GPT-5.5 від OpenAI вийшов раніше, 23 квітня 2026 року, і теж позиціонується як агентна модель для кодування, роботи з комп'ютером і knowledge work. Пряме бенчмарк-порівняння Sonnet 5 і GPT-5.5 «сам на сам» жодна з лабораторій офіційно не публікувала — моделі оцінювались на різних наборах бенчмарків і в різний час, тож будь-яке зіставлення цифр напряму варто сприймати обережно.

Там, де порівняння коректне й однозначне — це ціна. GPT-5.5 коштує $5 за мільйон вхідних та $30 за мільйон вихідних токенів. Sonnet 5 навіть за стандартною ціною ($3/$15) виходить у 1,7–2 рази дешевшим, а за стартовою ($2/$10) — у 2,5–3 рази. Обидві моделі мають контекстне вікно 1M токенів, тож за цим параметром вони на рівних.

Практичний висновок: якщо бюджет на токени — це реальне обмеження (високочастотні агентні воркфлоу, масові RAG-запити, продакшн-автоматизація), Sonnet 5 дає суттєво кращу економіку за порівнянного рівня агентних можливостей. Якщо ж пріоритет — виключно максимальна точність на найскладніших задачах незалежно від вартості, варто тестувати обидві моделі (і Opus 4.8) на власному наборі задач.

Детальне бенчмарк-порівняння з конкретними цифрами по кодуванню, агентному пошуку та computer use — в окремій статті: Claude Sonnet 5 vs GPT-5.5: детальне порівняння

Кому варто переходити

Тут я говоритиму не тільки з позиції аналізу чужих бенчмарків, а й з власного досвіду міграції моделей у продакшн-системах — я через це проходив не раз у своїх RAG-пайплайнах на Spring AI, і критерії нижче — це ті самі питання, які я собі задаю перед будь-яким переходом на нову модель.

• Команди на Sonnet 4.6. Це пряме й майже безкоштовне за зусиллями оновлення — приріст в агентних задачах суттєвий, а стартова ціна на перехідний період компенсує ефект нового токенізатора. Я б переходив без довгих роздумів, але з обов'язковим A/B-тестом на десяток реальних задач перед повним переключенням у продакшн — саме так я перевіряю будь-яку зміну моделі у власних пайплайнах, і жодного разу це не було зайвим.
• Команди на Opus 4.8, де бюджет — обмеження. Якщо поточні задачі не вимагають максимальної точності, я б протестував Sonnet 5 на високому рівні зусиль — економія може бути суттєвою при прийнятній втраті якості. У власній практиці я регулярно бачу, що для 60-70% реальних задач «найдорожча доступна модель» — це оверкіл, і різниця в якості непомітна кінцевому користувачу.
• Продакшн-агенти й автоматизація. Багатокрокові воркфлоу (оновлення CRM, обробка тікетів, computer use) — саме той сценарій, де Anthropic демонструє найпомітніший приріст, і саме там я особисто очікую найбільшу вигоду в своїх проєктах, де агенти виконують послідовні дії з зовнішніми системами, а не просто відповідають на одне питання.
• Команди на GPT-5.5, чутливі до вартості токенів. Я б протестував Sonnet 5 як економічну альтернативу на власних задачах, особливо якщо контекстне вікно 1M токенів — критична вимога. Різниця в ціні тут не маргінальна, а в рази — для мене це завжди перший сигнал спробувати альтернативу, навіть якщо поточне рішення формально влаштовує.
• Кому поки рано переходити: командам із задачами, що вимагають максимальної точності на межі можливостей моделі (складна математика, найважчі агентні сценарії), — тут, на мою думку, Opus 4.8 поки залишається кращим вибором, і я сам не став би міняти надійно працюючий Opus-пайплайн заради економії там, де ціна помилки вища за різницю у вартості токенів.

Моє загальне правило для будь-якої зміни моделі в продакшні: спершу — паралельний тест на реальних задачах, і лише потім — повна міграція. Бенчмарки з прес-релізу дають орієнтир, куди дивитись, але остаточне рішення завжди приймаю на власних даних, а не на чужих цифрах.

Часті запитання

Яка ціна Claude Sonnet 5 через API?
$2 за мільйон вхідних токенів і $10 за мільйон вихідних до 31 серпня 2026 року, потім $3/$15.

Який ідентифікатор моделі використовувати в API?
claude-sonnet-5. Детальніше — в офіційній документації моделей Claude.

Чи є Claude Sonnet 5 заміною Claude Opus 4.8?
Ні. Sonnet 5 суттєво звужує розрив з Opus 4.8 на агентних задачах при значно нижчій ціні, але на найскладніших сценаріях, що вимагають максимальної точності, Opus 4.8 залишається кращим вибором.

Яке контекстне вікно у Claude Sonnet 5?
1M токенів на вхід, до 128K токенів на вихід, без надбавки за довгий контекст.

Чи потрібно змінювати промпти після переходу з Sonnet 4.6?
Прямої необхідності немає, але через оновлений токенізатор варто перерахувати бюджет токенів і протестувати критичні воркфлоу перед повним переходом у продакшн.

Читайте також:

• Claude Sonnet 5 vs GPT-5.5
• Claude Sonnet 5 vs Gemini 3
• Claude Sonnet 5 vs Kimi K2.5
• Claude Sonnet 5 для програмування
• Claude Sonnet 5 API: ціна, ліміти та приклади використання