70.6% 对 10.3%。Anthropic 新出的 Claude Sonnet 5.5 在 Terminal-Bench 4.0 上拿到 70.6%，同一张考卷上，上一代 Sonnet 5 只有 10.3%。而价格一个字没改——每百万 token 输入 2 美元，输出 10 美元。三个数字摆在一起，比一场发布会管用得多。
需要先说明，我手上只有这几个数。完整的评测方法、任务明细、有没有做多次采样取平均，都还没铺开。所以下面有些判断属于推测。但就凭这几个数字，已经足够聊一阵了。
七倍的差距，先别急着鼓掌
这个基准考的不是"会不会聊"
Terminal-Bench 的题面朴素到有点枯燥：给你一个终端，扔一个任务，看模型能不能自己把命令敲对、把报错读懂、把文件改利索，最后回头验证结果对不对。它不奖励漂亮的解释，只记录一件事——活干完没有。这种评测对耐心、上下文管理、自我纠错的要求都极高，因为第一步走歪，后面喂进去的全是垃圾输入。模型在聊天框里可以含糊其辞蒙混过去，在终端里不行，shell 会把每一句谎话原样打回来。
分数暴涨，通常有两个来源
一个是模型本身变强了。工具调用的准确率、长上下文里对关键信息的抓取、遭遇失败信号时的反应速度，这些都是能练出来的硬功夫。另一个是训练方式变了。当训练数据里塞进足够多的真实终端轨迹，模型见过成千上万次"报错 → 修改 → 再试"的循环，行为会变得很像一个干了十年的老运维。
这两者的含金量不一样。前者是能力上限被抬高，后者更像熟练度堆出来的稳定发挥。对使用者来说结论其实差不多，但如果你是做模型的人，得知道自己在哪一条路上。
跨版本比分数，是件危险的事
Terminal-Bench 4.0 不是 3.0 加了几道题那么轻巧。基准迭代一般会重排任务分布、调整难度梯度、收紧或放宽判定标准——判定标准这一项尤其要命，一个"是否算通过"的措辞变化，就能让整体分数上下浮动十几个百分点。把跨版本的分数直接相减，学术上很难站得住。
所以那 60 个百分点的鸿沟里，有多少属于模型，有多少属于考卷，现在没人能拆干净。这不代表进步是假的，只代表它没法被这一个数字精确度量。
真正值得琢磨的，是那张价目表
两美元和十美元，一动不动
按常理，能力上一个台阶，价格总要跟着动一动。涨是信号，降也是信号。Anthropic 选择原地不动，大概率同时打两份算盘：技术上，推理效率的提升已经能覆盖更强的模型，边际成本被吃掉了；商业上，一个能力接近旗舰、价格停在中档的模型，是拿来卡竞争对手脖子的。前者是工程师的账，后者是 CFO 的账，这家公司两边都算得很清楚。
智能体的账单，长得跟聊天不一样
这一点经常被忽略。一次终端任务，模型可能要跑几十轮工具调用。每一轮都要把之前的完整上下文重新读一遍，输入 token 会随着轮数滚雪球。真正烧钱的地方在输入侧，不在输出侧。
也就是说，$2 的输入价，对写代码、跑运维、做自动化测试这类场景来说，是一个功能能不能天天挂在那儿跑的总开关。输出贵一点没关系，反正生成量小；输入贵一点，很多本来成立的用例会瞬间算不过账。
难受的是谁
那些一边用旗舰价讲故事、一边只能干中端活的产品。当有人把"能干活"和"便宜"绑在同一个 SKU 上卖，靠参数规模和榜单排名撑溢价的套路就开始失灵了。过去一年，旗舰模型每百万输出 token 长期停在两位数美元，很多团队是靠"贵有贵的道理"说服自己掏钱的。现在这道理由被削掉了一角。
Anthropic 盯上的是"干活"这门生意
聊天窗口已经装不下它的野心
订阅制的天花板很清楚：一个人一个月能问多少问题，是有限的。但一个智能体一天能跑多少个任务，几乎没有上限。这两种消耗模型对应的是完全不同的收入曲线。把终端能力做扎实，等于把产品从"陪人聊天"推进到"替人上班"，客单价的想象空间一下子打开了。
5.5 这个小数点，是写给企业看的
版本号不是随手取的。叫 5.5 而不是 6，传递的信息很明确：这是同一条产品线上的稳定迭代，API 兼容，行为可预期，你不需要重写 prompt、不需要重做回归测试。对企业采购来说，可预期比惊艳值钱得多。一次"模型换代导致线上流程集体崩掉"的事故，够让一个技术负责人丢掉饭碗。
采购桌上那页纸，写的都是笨功夫
稳定性、可审计、可回滚、价格锁定、能不能签长约。这些词一个都不性感，却决定了合同签不签。Anthropic 这次的定价策略，本质上是在给企业客户的财务模型提供一个确定项——能力涨了，预算不用跟着涨，明年做规划的时候少一个变量。
开发者现在该做哪几件事
别拿别人的跑分替自己做决定
从你自己的代码库里抽五十个真实任务，跑两遍，一遍旧模型一遍新模型。看的不是通过率，是通过率和返工率之间的差。有些模型一次做对的概率高，但做错的时候错得离谱，把半个仓库搅乱；另一些第一次磕磕绊绊，多试两轮反而能收敛。这两种性格，在跑分上看不出区别，在你的 CI 流水线里是天壤之别。
先算账，再谈能力
把过去一个月智能体消耗的 token 拉出来，按新价格重算一遍。重点看输入侧——如果一次任务的输入 token 是输出的二十倍，那输入价就是你的主要成本项。算完之后再问一句：能力提升 60 个百分点，能不能换来同等比例的成本节省或产出增长？如果答案是能，那就没什么好犹豫的。
留一条退路
把 prompt、工具协议、评测脚本和具体厂商解耦。这话说了两年，真正做到的团队不多。但当模型迭代以季度为单位推进，切换成本就是你的议价能力。谁把业务逻辑焊死在单一 API 上，谁就只能接受对方下一轮定价。
跑分公布的那天，所有人都在看 70.6%。真正决定这个数字能变成多少钱的，是价目表上那两个没变的数字。技术新闻里，最安静的那一行，往往才是重点。
