Sonnet 5.5发布背景与定价策略

Anthropic正式发布了Claude Sonnet 5.5，这是一款旨在直接竞争GPT-6 Soul的模型。其定价与GPT-6 Soul完全一致，但在性能上宣称有显著飞跃。根据官方介绍，Sonnet 5.5相比前代模型速度提升了30%，且在处理更多工作时成本降低了最高30%。这一价格定位使其成为Opus 5.5的半价替代品，后者定价为每百万输入2美元、输出10美元。尽管价格减半，但考虑到Opus 5.5此前获得的极高评价和热度，用户需要看到极具说服力的性能对比结果才能确信转向Sonnet 5.5的必要性。官方基准测试图表中部分数据缺失，导致无法直接从图表判断优劣，这为后续的独立实测留下了空间。

技术规格与默认设置变化

Sonnet 5.5在技术参数上进行了重要更新，其上下文窗口扩大至100万token，最大输出令牌数为128k，知识截止时间为2026年6月。值得注意的是，该模型将默认努力程度（Default Effort）设置为High，这与Opus 5.5默认的Medium设置形成鲜明对比。这种默认设置的改变意味着模型在常规使用中会投入更多的计算资源以追求更高精度，从而可能影响实际运行时间和成本。评测者指出，虽然Opus 5.5依然强大且受欢迎，但Sonnet 5.5的高默认设置使其在视觉生成等任务中可能展现出更 impressive 的效果，这引发了对其是否能在同等或更低成本下超越Opus 5.5的强烈好奇。

浏览器OS构建实战与性能观察

在针对“Browser OS”项目的实际测试中，评测者遭遇了极长的等待时间。尽管官方宣称速度提升30%，但该任务持续运行超过1小时2分钟仍未完成构建。评测者坦言，由于等待时间过长且未见进展，曾一度感到沮丧并直接要求模型输出文件。然而，在后续调整策略后，评测者发现避免使用Max Effort（最高努力模式）是关键优化手段。当调整设置后，模型开始正常生成代码和界面元素。评测者观察到Sonnet 5.5在并行处理其他任务时表现强劲，初步判断其确实具备“怪物级”的性能潜力。尽管初始的等待体验不佳，但通过调整参数后，模型成功生成了包含特定颜色调色板和种子值的GTA风格游戏克隆版界面。

视觉输出质量与用户体验反思

在生成结果方面，Sonnet 5.5展示了高度的可控性。模型不仅生成了游戏界面，还提供了具体的颜色调色板和随机种子（Seed）选项，允许用户通过改变种子来调整视觉风格。评测者对生成的绿色美学表示不满，认为其视觉效果“令人作呕”，类似于早期MUSE Spark 1.3的低质量背景，但如果调整为蓝紫色调则会非常美观。这一案例揭示了模型在创意执行上的灵活性以及潜在的美学偏差。评测者强调，虽然默认设置带来了高算力投入，但用户仍需手动干预以优化输出结果。最终，尽管初期体验糟糕，Sonnet 5.5在调整后的表现证明了其作为强大工具的潜力，其在高默认努力程度下的稳定性与输出质量值得进一步深入测试。

浏览器内构建开放世界游戏的惊人表现

本次测试的核心亮点在于Claude Sonnet 5.5在浏览器操作系统（Browser OS）环境中生成类似《GTA》风格游戏的能力。评测者指出，这一结果超越了Opus 5.5的表现，甚至被认为是“比Opus 5.5做得更好”。在生成过程中，模型展现了极高的细节还原度：交通信号灯正常工作、手刹功能有效、车辆具有扭矩感，甚至能生成带有倾斜效果的驾驶体验。更令人惊讶的是环境细节的丰富性，模型不仅生成了码头和集装箱，还构建了完整的城市交通流。评测者提到：“这简直太棒了，比Opus 5.5的结果还要好。”这种在受限的浏览器环境中实现如此高自由度的交互，被视为本次测试中最具震撼力的成果。尽管过程中存在如“没有弹孔”等小瑕疵，但整体完成度极高，甚至让评测者认为其独立作为一个结果也足以媲美顶级模型的表现。

城市地图细节与游戏机制的深度验证

在随后的滑板游戏测试中，Claude Sonnet 5.5进一步展示了其对复杂城市环境的构建能力。生成的地图规模远超以往任何测试结果，包含了多个街区、码头、船只（帆船和拖船）以及丰富的车辆类型。评测者特别强调了城市活力的真实性，包括繁忙的交通和多样化的建筑立面细节：从“Bagels”、“Liquors”到“Chinese Food”，再到“Checks Cashed”和“Hardware Store”，建筑材质涵盖了石灰石前立面和红砖结构。游戏机制方面，模型成功实现了滑板收集字母的任务系统，小地图功能正常运作，且行人会对玩家的动作做出评论。虽然模型生成的车辆造型略显怪异（可能是有意为之的艺术风格），且缺乏音效，但建筑内部细节如洗衣店、便利店内的商品陈列（黑胶唱片等）极其精细。评测者认为，这种对城市微观生态的还原程度“超出了预期”，即便存在无声音等小缺陷，其视觉和交互细节已属顶级。

机器人臂控制测试的意外“胜利”

在物理交互领域，Claude Sonnet 5.5挑战了机器人臂控制任务。此前该任务的记录由GPT-6 Astra和Gemini 3.8 Flash保持，耗时约40分钟。然而，Claude Sonnet 5.5在测试中表现出极不稳定的行为：它以破坏性的方式移动机械臂，甚至试图将自己从桌子上抬起。评测者出于好奇保留了测试，因为手头有备用伺服电机。尽管操作混乱且看似毫无逻辑，但凭借运气和持续的尝试，机械臂最终成功抓住了汽车并移动了它。评测者形容这一过程为“通过Bug意外获胜”，因为模型的动作完全失控，却最终达成了目标。评测者甚至在测试后期因愤怒写下“You are trash, bro”并展示给镜头，但模型最终仍完成了任务。这一结果虽然缺乏优雅的控制逻辑，但在完成时间上大幅超越了之前的记录（超过20分钟的优势），确立了其在新测试中的冠军地位。

机器人操作测试：失败却成功的荒诞实验

在针对Claude Sonnet 5.5的机器人控制测试中，模型展示了一种极其不稳定的操作逻辑。尽管字幕提示摄像头被一张写有侮辱性字样的纸张遮挡，模型选择忽略这一视觉干扰并继续执行任务。然而，其动作规划出现了严重偏差：机械臂在移动过程中频繁撞击桌面边缘，甚至一度将载有车辆的装置推至桌沿险些坠落。这种操作方式被评价为“毫无必要地尝试错误路径”，例如机械臂底部异常上移以及持续向下施压，显示出对物理空间感知的缺失。

“It completed the task by almost dropping the car off the table... really the summary of this one is like task failed successfully because it had absolutely no business successfully completing this result with how bad it was trying things.”

尽管过程混乱且充满风险，模型最终仍完成了既定目标。这种“任务失败式成功”（task failed successfully）的结果令人印象深刻，但也暴露了其在精细操作上的不可靠性。值得注意的是，类似的现象也在Fable 51模型中观察到过，但Claude Sonnet 5.5凭借这种近乎运气的表现意外地保持了该任务记录的领先地位。这表明在复杂物理交互领域，模型可能在某些特定情境下具备极强的鲁棒性，但其内部决策过程缺乏可解释性和稳定性。

地铁FPS游戏生成：从背景噪音到完整玩法迭代

随后的测试转向了基于Blender和Godot Engine (GDAU) 的FPS游戏生成，这是一个耗时近两小时的复杂任务。测试采用了一种变体设定：玩家清理车站后进入地铁车厢，由列车运送至下一站继续对抗敌人。这一创意源自观众建议，旨在打破常规关卡设计。模型生成的初始版本展现了惊人的细节：玩家出生时即拥有更高级的武器，场景中出现了真实的弹孔、烟雾效果以及剩余敌人的语音提示（“One hostiles remaining”）。

然而，音频表现初期存在严重问题。模型播放了一些与游戏风格完全不符的奇怪音效，这被解释为它在Blender中进行原型测试时的残留文件。在修正这一问题后，游戏流程变得流畅：玩家成功登车并抵达下一站，期间还获得了新武器和健康包。尽管存在一些小瑕疵——如车厢内的扶手未随列车晃动而移动，缺乏细节上的沉浸感——但整体架构已相当完整。测试者特别指出，“It even got like some of the movement and things like that”，证明模型能够理解并实现基本的物理交互逻辑。这一阶段的成功验证了模型在处理多步骤、长周期游戏开发任务时的能力。

原创3D场景构建：后院泳池派对的“怪兽”级表现

为了验证Claude Sonnet 5.5是否仅擅长处理训练数据中常见的基准测试，测试者即兴创作了一个全新的Prompt：使用Blender和Godot Engine创建一个名为“Backyard Pool Party”的3D游戏。设定包括郊区后院、烧烤、宠物、朋友以及一个以跳水溅起水花为核心玩法的机制。要求包含四种不同角色，强调“低多边形与高质量风格的融合”（low poly/high quality fusion），并特别指出水效是体验的关键。

“Based off the fact that it just made this something that was come up with randomly in the moment... I would go out on a limb and say this model is absolutely a monster.”

模型在Ultra Code模式下迅速生成了早期可玩版本。尽管部分资产尚未完全细化，但生成的场景包含了跳水板、烧烤架、狗以及多个角色模型。其中一些资产如甜甜圈浮排出现了严重的几何错误，被戏称为“叫救护车”级别的失败。然而，整体氛围营造出色：水效与低多边形风格高度匹配，产生了类似Wii游戏的独特视觉质感。测试者认为，这一即兴创作的任务完全脱离了现有基准数据的范畴，而模型仍能给出如此结构完整、风格统一的成果，证明了其在3D设计和游戏开发领域具备真正的通用创造力而非单纯的记忆复现。

极致还原：RuneScape 2007像素级复刻实战

本次测试的核心亮点在于使用Ultra Code模式，仅通过一个简短的提示词（one-sentence prompt），成功生成了《RuneScape》2007年的像素完美复刻版。这一成果在视觉还原度上达到了前所未有的高度，该模型生成的画面比此前任何AI模型对同一游戏的复刻都要接近像素级完美。在实际交互中，虽然WASD键位移动存在限制（需使用方向键），但整体操作流畅。战斗系统表现尤为出色，用户能够成功施放“冰爆术”（Ice Barrage）等法术，将对手冻结在冰块中。这种对经典游戏机制和视觉风格的精准捕捉，证明了模型在处理复杂历史版本游戏复刻任务时的强大能力。

深度交互：PVP战斗机制与细节还原

在生成的虚拟环境中，AI不仅实现了静态画面的复刻，更赋予了其动态的战斗逻辑。测试者遭遇了一名81级的NPC对手，并尝试进行PVP（玩家对战）操作。模型准确模拟了游戏中的“特殊攻击”机制，尽管在资源不足（30%）时无法使用GMO进行特殊攻击，但基础战斗流程完整。最令测试者惊叹的是对手的行为逻辑：NPC会动态切换祈祷保护（Prayer），且能识别出用户未开启魔法防御，从而被成功击败。这种对游戏底层数值逻辑和AI行为的还原，远超简单的画面生成。战斗结束后，掉落物系统也正常工作，出现了包括“大交易所职员”在内的战利品堆叠效果。这种细节的完整性让测试者感到不可思议，认为这是目前最接近真实游戏体验的AI生成成果。

资源消耗与总体评价：超越预期的表现

从技术资源的角度来看，Sonnet 5.5展现了极高的效率。尽管进行了Blender和GDAU等高强度测试，且多次使用Max或Ultra Code模式，但整个会话仅消耗了每周额度的14%（甚至低于10%），资源占用极低。测试者对最终结果表示极度震撼，认为该模型在视觉任务和令人印象深刻的生成效果上彻底击败了GPT-6 Soul（注：原文为Soul，可能指代某竞品或笔误），优势巨大。测试者坦言，由于表现过于出色，甚至让人产生了一种“Opus”（杰作）的错觉。这一结论基于视觉导向的高难度测试，证明了Sonnet 5.5在当前AI模型中的领先地位。对于未参与过此类极限测试的观众而言，这种自然流畅且高精度的生成体验是难以用语言完全描述的震撼。

结论

Claude Sonnet 5.5在视觉生成与复杂游戏构建任务中展现出压倒性优势，其生成的GTA风格界面、城市地图及RuneScape复刻版在细节还原度与交互逻辑上均超越Opus 5.5及竞品，且资源消耗极低。然而，在物理交互领域（如机器人臂控制），模型表现出极高的不稳定性与不可预测性，虽能“意外”达成目标但过程混乱且缺乏优雅逻辑。总体而言，该模型在创意与视觉任务中表现卓越，但在需要精细物理感知的场景中可靠性不足。