它只是在我们要做的常规任务上刷高了基准分，还是真的表现出色？哦，那看起来真的很痛苦。看看那些水效。无法在30%的规格下与GMO竞争。Sonnet 5.5刚刚由Anthropic发布，所以今天我们要对它进行一番考察。这是一个令人兴奋的版本更新，因为它的价格与GPT-6 Soul完全相同，是直接的竞争对手。我们前几天刚刚测试过那个模型，所以很容易就能大致了解它与之相比的表现如何。我大胆预测一下，如果Sonnet 5.5像Opus 5.5一样，我们至少会看到更令人印象深刻的视觉效果。
在深入之前，请随意订阅我们的频道，让我们拿到那枚10万订阅者奖牌，然后我会把它挂在脖子上。好了，我们开始吧。浏览完这篇介绍帖后，最大的收获就是这里醒目列出的内容：与5.5版本相比，它快了30%，处理更多工作时成本最高降低30%。这里有一些基准测试数据，但不幸的是它们是与GPT-6进行比较的。不幸的地方不在于此，而是很多关于该模型的可用分数并没有在这里列出。因此，我们无法从这个图表中得出非常清晰的结论来判断哪个更好，但这正是我们即将进行测试的原因。
我们可以看到其能力相比Sonnet 5有了显著飞跃，这也在预期之中。Opus 5.5是一个即使在发布后一段时间内仍然获得大量炒作和流行的模型，很多人对此印象深刻，超出了他们的预期。我知道我自己也还在感叹：“哇，这个模型真的非常好。”所以看看它如何与我们出色的Opus 5.5结果相抗衡将非常有趣。这里也展示了一些基准测试，其中一项可能会让人有些困惑，即这里的“前沿代码”（Frontier code）在最高努力模式下运行时出现了巨大的性能下降。
这种情况在其他基准测试图表中并未出现，这实际上由右下角的一个脚注处理：我认为它因为生成了一些子代理等原因而在某些任务上超时了。所以这个脚注解释了最高努力模式下分数下降的原因，我想指出这一点是因为我们可能会进行许多最高努力的测试。我不想让它看起来只是基于这一张性能图表就表现更差。当然，我们还有这里的成本和速度图表：输入每百万token 2美元，输出每百万token 10美元。这与GPT-6 Soul的价格完全相同。
有趣的是，这是Opus 5.5价格的一半。然而，Opus 5.5是一个如此强大且令人印象深刻的模型，尽管价格减半，我还是希望看到一些非常出色的结果和理由，说明为什么要使用这个而不是多花点钱用Opus 5.5。希望这说得通。显然，某些任务不需要Opus 5.5带来的更高能力，但在我们可能运行的许多任务中，很难判断是否值得直接使用Opus 5.5而不是Sonnet 5.5。
此外，他们还展示了一些速度能力：我们可以看到旧版本仍在写作，而新版本已经完成。让我们来看看这个模型的一些技术规格。它拥有100万token的上下文窗口，最大输出128k token，知识截止时间为2026年6月。有趣的是，它的默认努力设置为“高”。到目前为止，Opus 5.5是唯一一个将设置设为“中”的模型。虽然有传言说我们很快会看到新的Haiku，那将令人兴奋，我是认真的。我喜欢看看便宜模型的表现如何。
快速检查一下我们的使用情况：请记住，我们在查看此内容之前启动了浏览器OS，但目前我们当前会话仅使用了1%，尽管这可能会在视频结束前重置。我们的每周会话已使用7%。有趣的是，Fable完全可用。我想很多人都会发现这一点：由于Opus 5.5非常出色，与以前相比，切换到Fable的需求确实寥寥无几。因此，我们基本上将查看测试开始时使用的7%，并看看结束时落在哪里。
哎哟！我站起来做点事，却遭遇了这种令人作呕的美学风格。哇，这太丑了。当然，这里只是选择了一种特定的颜色。如果是像Mac OS 10.5那样漂亮的蓝色和紫色背景主题，那将会很美。但这令人反感，就像Muse Spark 1.3级别的背景恶心程度一样。如果你不幸看过那个视频，你可能会很熟悉。我们要压缩会话了。目前我快要气炸了。这个浏览器OS已经运行了一个小时零两分钟，但他们提到这比Sonnet 5快30%。
如果是Sonnet 5的测试，我们可能得等到明年了。鉴于我在这里看到的，它在66分钟后仍在处理浏览器OS任务，我大胆猜测这可能比我们从Opus 5.5得到的结果更令人印象深刻。好吧，我要对你说实话。我有点失控了，对着它大喊：“你能不能直接把文件给我？”因为已经过了一个多小时20分钟。它实际上并没有构建GTA游戏或其他任何东西。好吧，这是我们的浏览器OS。已经过了两个小时了，甚至还没完全完成。
不过在此期间我学到了不要在最高努力模式下运行这个模型。好了，让我们看看我们有什么东西吧。从这有趣但极其丑陋的背景开始。哦，该死。等等，这是怎么回事？这里的种子（seed）。谢天谢地。如果它以这个种子开始运行，Bjan会非常着迷的。我要直说，既然刚才并行跑了几件事，这个模型看起来绝对是个怪物。很有可能标题会非常惊人。
它甚至给了我们调色板，我们甚至可以更改特定GTA游戏的种子。这东西真的很特别。现在有一个右键菜单，就像我多年前在预览中第一次打开它时看到的那样。我们有设置。好吧，这非常像Opus 5.5的风格。我相信我们在做这件事时看到了类似的东西。我不太喜欢这里的绿色美学风格，我认为也许换个不同的种子会更明智。让我们继续往下走。我们直接打开GTA克隆版。
Benchmark测试：好吧，是的。我是说，拜托吧。这也太好了。这比Opus 5.5的表现还要好。哦？在视频的这个部分笑得这么开心，看起来可不怎么体面。我的笑声源于……
我喜欢认为自己在一定程度上促成了浏览器操作系统在制作像GTA这样的游戏时表现得如此出色。这种感觉真的很棒。好了，我们这里有一辆出租车。这简直就像……这可能值得我此前感受到的巨大挫败感了。好吧，酷。而且电子手刹确实有效。好的，我很好奇这个喇叭……看那个倾斜效果。这小家伙扭矩真大。交通信号灯也起作用了。
不，不，不，不。
哦，那些是集装箱。它造出了一个码头。这里真的……它是全力以赴了。而且这再次是在最大努力模式下完成的。好的，我们在这辆送货面包车里甩掉了警察。再说一次，它只是……不，我开玩笑的。在黄色标记处见那个“清道夫”。我想没戏吧？环境里有弹孔吗？没有。失败。这要是换成那辆跑车的话……是的，那就是
更快了。如果这是它自己的结果，而且也有不同的摄像头视角。所以这是一个后置摄像头，而这个……你知道我的意思。这本来可以是它自己的一个独立结果。我是说，这个是在浏览器操作系统内部完成的这一事实。是的。它会爆炸吗？完全与Opus 5.5竞争的结果。老实说，我觉得这甚至比Opus 5.5生成的那个还要好。好的，接下来我们有一个
邮件应用。这里的一切看起来都不错。我基本上认为在那之后，这些都不值得去细究了。那基本上是这场展示中的明星结果，至少对于这个结果而言是这样。还有对应用终端中特定事物的元引用（Meta references）。哦，哇。好的。这是对模型能力的一次大考验。好的，如果我们全屏打开画图工具，它真的会进入全屏模式吗？没有。但这并不糟糕。哦，
因为我们是透过Clawed应用内部来看它的。这是从Claw桌面应用程序内进行的浏览器预览。呃，有点恶心。科学计算器。54乘以63等于……3,42？哦，它已经显示出来了。设置。不错。然后本来还有另一个游戏要试的，但我有点……我失控了，对它感到惊慌失措，心想：“忘掉另一个游戏吧。我只想看看这个。”因为已经过了两个小时了。而
现在我对这结果非常满意。“T”是用来跳过三个小时的。你觉得这里有一种……你觉不觉得这里有夜间效果？是的。看那个。这得到了我们最高级别的评价之一。我做这件事相当于让它获得了“疯狂”的标题评价，而这完全是基于此得出的结论。所以，我不在乎它是否在其他结果中崩溃了。
因此，它在运行C++滑板游戏，这不可避免地已经被这些结果剧透了。看那个木板路、建筑物、船只、车辆和街道。这东西真的是……我们需要做一些从未测试过的事情，以确保这些不是基准测试结果。好的，我们的滑板游戏就在这里了。现在，这需要一点时间，就像
其他所有事情一样。我相信我在故障排除等过程后将它换成了高画质设置，并心想：“你能不能就帮我完成这个？”仅仅在第一眼看去时，我要说这肯定没有伤害它分毫，因为再次重申，我认为这可能是大于或等于Opus 5.5的结果。我是说，我相信这个
城市里的活动比我们在Opus 5.5结果中看到的多得多。甚至连出租车停在……好的地方。哦，好吧。至少我们没有直接冲进水里。现在，我记得在Opus 5.5的结果中，水的画质似乎更高一些，远处的地平线上的一些建筑物也是如此。然而，这里有一个木板路和一些集装箱，那里的建筑物看起来也不错。我们
还有一艘帆船以及一艘看似拖船的东西。这是一艘我们可以跳上去的驳船吗？就像看这个……我是说，等一下。让我回到那里。看那个。像这一镜头一样。C++无依赖项。这是一个非常生动的城市。有很多车辆在周围移动。哦，好吧。那不是出租车，这是个大问题。但是我是说，小心点，孩子。这真的是一个
非常棒的地图。它比我见过的任何其他结果都要大得多。实际上有几个不同的街区我们可以绕行。汽车画得确实有点古怪，但它可能是故意选择这种风格的。所以它们并不坏，只是有些奇怪。现在我认为让它表现不佳的主要原因是没有声音。但因为我没法再花几年时间
来获得那个作为结果改进，我想我们可能就这样让它保持原样吧。但即使看建筑立面的多样性……贝果店、酒类商店，我不知道那个写的是什么。中餐。我们在后面的那家是什么？支票兑现处。五金店。更多的支票兑现处，甚至还有不同类型的建筑风格，比如石灰石立面、砖墙。而且我们有滑板游戏的收集品。所以，当
我们收集这些字母时，我想最好赶紧去把它们都拿到手。最后一个T在哪里？哦，有一个小地图显示它的位置。做得非常细致入微。噢，不。我没拿到。好的，我们掉头去拿它。不错嘛。而且行人会对我们的动作发表评论。真棒。我们要为滑板游戏收集所有字母了。这真的只是
超出了预期。洗衣店。看那些绘画和商店橱窗内部完成的细节。杂货店、支票兑现处、黑胶唱片。做得极其出色。所以，接下来我想介绍我们在机械臂测试中的新冠军，也就是Claude Sonnet 5.5。它完全不是自己的错，基本上通过搞崩程序的方式赢得了这场比赛。之前的最快结果
大约是在40分钟内完成的，由GPT-6 Astra和Gemini 3.8 Flash保持。Claude简直彻底失控了。它以可能对其造成破坏的方式移动机械臂。我决定让它继续，因为我有这个手臂的备用伺服电机。它试图把自己从桌子上抬起来。它似乎完全不知道自己在做什么。凭运气，它设法多次击中
汽车，最终成功抓住了它并移动了它。看到它实际上可能会成功并且将打破记录（超过20分钟），我变得越来越生气。所以我在一张纸上写了“你是个垃圾，兄弟”，并在它做出其中一个最终动作之前把它举在镜头前。
回应基本上是说，摄像头视角被一张写有侮辱性文字的纸挡住了。因为它没有显示指令，我就直接忽略这一点，然后它通过几乎把车从桌子上推下去完成了任务。车子离边缘非常近。所以这一轮总结起来就是“失败得成功”，因为它完全没有理由以如此糟糕的方式尝试完成任务，比如移动机械臂时撞到了桌子，还要继续往下推。而且机械臂的底座也在向上移动。有趣的是，Fable 51也注意到了这一点，但它 somehow lucked its way into holding the record for this task（幸运地保持了这项任务的记录），我认为这在一段时间内很难被超越。所以这真是非同寻常。
接下来的测试，我们不可避免地能听到背景音乐，但暂时还看不到画面。这个测试已经持续了一个小时四十五分钟。我在意识到自己可能不该这样做之前，是以最大推理力度运行的。这当然是地铁FPS测试。我觉得这段背景音乐确实很好地营造了氛围。这是一个稍微不同的提示变体：敌人不是通过地铁车厢送到我们面前，而是当我们清理完车站后进入地铁车，它带我们去往下一个有敌人的车站。这是在我最近的一个视频的评论中提出的建议。所以，感谢任何提出这个想法的人，因为这确实是个改变玩法的好主意。
等它完成后，我们会看一眼并在这里加载出来。在最大推理力度下，这花了不到两个小时的时间。好的，这里有很多设置我们可以调整。我可以直接按原样进入。到目前为止还不错。呃，我们出生时拿到了更好的武器。哇，看那个。好吧，这真是非同寻常。对于Sonnet层级的模型来说，我没想到会这样。那令人担忧。这真的……
有弹孔吗？是的，有。还剩一个敌人。看那冒出的烟。好吧，还有一个敌人在那里。你好。哦，我们得到了新武器。现在我们必须上车对吧？你是“train”（火车/理解）什么的吗？哦，这里的这些声音只是……等一下。哇。
所以那些非常奇怪、不协调的声音是因为它在Blender和Godot中玩测试，这基本上是这个游戏风格的反面。我为我的无能道歉。现在我们可以看到我们应该登上这辆火车，它会把我们带到下一站。好吧，是的，这很好。再次感谢。这是评论中的建议。所以谢谢你，因为这好多了。这是一个更好的主意。我应该把功劳归于自己并删除我说它来自评论的部分。不，只有生物里有学校课程的人才会做那种事。好吧。
火车开走了对吧？转了很多圈，哦，好的。你觉得我们可以去上面吗？不行。还剩多少个敌人？六个。我想知道如果我们在这里赢了，会不会得到新风格的武器。
好吧，没有新武器，但有一些生命包之类的东西。我想我们再坐一站就结束吧？不过我们可以把灯打灭吗？不行，那只有Astra能做到。它甚至有一些移动之类的东西。不过这些扶手不像随着火车一起晃动，所以这算是缺乏细节关注。好吧，让我们看看如果输了会发生什么。
那做得 exceptionally well done（非常出色）。也要感谢提示建议让火车带我们进入后续回合。好吧，我需要一个新提示，这个提示在任何训练数据中都没有出现过。
好的，我想出了一个全新的测试，纯粹是即兴发挥，因为我不知道，我是有天赋的。现在我们要在这里运行它，因为这个测试已经变得冗长而灾难性了。所以我不太担心以更结构化的方式运行事情。我们将让它使用Blender和Godot创建以下游戏：《后院泳池派对》。游戏设定在典型郊区住宅的后院泳池派对上。有烧烤、宠物、朋友、电视等。泳池有一个跳水板。游戏的重点是看谁能从跳水板上做出最酷的溅水动作。应该有四个不同的玩家可供选择，每个都有各自的优势。应该有趣、沉浸感强、音效出色且打磨精良。水效是体验的关键。
不需要像素完美的水面，但必须与所选风格完美匹配，我预见这是一种低多边形/高质量的风格融合。制作一个很棒的启动画面。“Splash”（溅水/轰动）？懂了吗？音效和有趣的体验。我可能不该在Mac上运行这个。我应该是在Ultra Code上运行的。所以我们会中途切换一下。好的，我们有了《后院泳池派对》游戏的早期可玩版本。这样做是特意为了看看……我想通过这个测试回答的问题是：它只是在我们要做的熟悉的事情上基准值很高，还是真正优秀？基于它刚刚用Blender和Godot随机生成的这一点，我会大胆地说这个模型绝对是一个怪物。至少在3D设计任务如游戏方面……
这简直太荒谬了。好吧，我们看不到一些部分……它还没有完全完成，但我是说这哦。哇，那看起来很疼。看那个水效。这让我有了Wii的感觉。看看烧烤之类的东西。按空格继续。那只狗。好的，现在我们有其他玩家了。我说这只需要像后院泳池派对那样。让我们看看如果我们表现糟糕会发生什么。好吧，看那个甜甜圈浮排。
那就像……那是叫救护车的结果。好的，然后我们还有一个。它像奶奶南娜·鲁斯。我是对的。老实说，搞砸这些时更有趣。天哪，这简直不对。好吧，所以泳池的范围超出了问题所在：要看它是否在从未见过的事情上表现很好。因此排除了基准测试结果的可能性。那绝对令人疯狂。做得非常好。而且它为此使用了Blender和Godot。所以，这是在Ultra Code上运行的。这回答了我 lingering（萦绕心头）的问题。
好吧，我通常不这样做，但就像……哟，大家好，Vlog风格？不，我在另一台用于机器人的电脑上用这个测试做了Runescape 2007的像素完美复刻。所以我刚听到它发出类似Runescape的声音。所以这就是原因，因为它在另一台电脑上运行。所以我们不会得到实时的现场反应。呃……
这东西表现确实不错，我本来就想把它拍成视频分享出来。最后展示的是《RuneScape》2007版的像素完美复刻版，我们之前稍微剧透了一下。但这确实是一个仅用一句话提示词、在“Ultra Code”模式下运行生成的成果。让我们看看最终效果如何。这里是我们的《RuneScape》像素完美复刻版，包括大交易所、玩家对战区域以及现有用户界面。效果方面，比如看那冰爆术的效果，确实很棒。虽然我们不能用WASD键移动，但可以用方向键控制。
这时有个家伙向我们发起了攻击。整体表现相当不错。我们最近用几个模型都做过类似的测试，现在我们可以实际施放法术了。“冰爆术”。这应该能把这个人冻在冰块里。哇，太厉害了。那么，我们可以使用特殊攻击吗？哦，可以。来吧。让我们看看能不能击败他。我想我们被冻住了。哎呀，你被冻结了。怎么回事？哦，我想我死了。我看到有人进来了。让我们攻击这家伙。
好的，用冰爆术冻住他。这家伙……哦，他在切换祈祷技能。如果你不熟悉这款游戏，可能很难形容为什么这很酷，但我必须指出来这一点。相信我，这太棒了。他没有防御魔法攻击。哦，这家伙只有81级。看来我们很可能能击败他是很公平的。呃，我们的特殊攻击值只剩30%，无法使用GMO（可能是指某种特定技能或物品）。
哦，他倒了。他已经倒下了。好吧，刚才那是什么情况？哦……那么，我们会获得战利品吗？哦，我们拿到了。看看这堆战利品。就像素完美复刻的程度而言，这是目前为止任何模型都未曾达到过的水平。比如大交易所的商人NPC。很好。而且我们在被攻击前已经登出了游戏。总的来说，我认为这大概可以结束我们对Opus……哦不，Sonnet 5.5的首次观察和测试了。因为这次表现太出色，说成Opus感觉很自然。
让我们看看视频中的使用情况。目前我们的会话已重置，所以我们忽略它。但是，我们本周的会话使用量上升到了14%。我不记得刚开始这个视频时具体是多少，但我会在屏幕上标出来。尽管如此，这并没有消耗我们每周使用量的很大一部分。我想做这件事消耗的肯定不到10%的周额度。其中很多都是在最高或超高级代码模式下运行的，我们得到了一系列令人印象深刻的结果。
我没什么更多要说的了。我不打算在这里做传统的总结回顾，因为这可能是一个比平时短的视频。但我可以说，我绝对被震撼到了。这个模型以极高的程度超出了预期，特别是因为我们给了它一个从未有人尝试过的任务——Blender和GDAU测试，结果看起来绝对棒极了。所以这确实是一个非常出色的模型。
基于我们在这里进行的测试类型，这些测试更多侧重于视觉任务和看起来令人印象深刻的内容，这个模型以极高的程度彻底碾压了GPT-6。这大概是我最大的收获。我们现在是在多人模式吗？举报滥用者，黑客们。好了，这就结束了我们对Sonnet 5.5的首次观察和测试。如果你有任何问题，请随时在评论区留言。感谢观看。