Claude Sonnet 5.5 तेज़ आता है, टोकन (Token) के उसी दाम पर

2026-09-28 को, Claude Opus 5.5 के छह दिन बाद, Anthropic ने Claude Sonnet 5.5 रिलीज़ किया — Claude 5.5 फ़ैमिली का दूसरा मॉडल — Claude Sonnet 5 के सामान्य रूप से उपलब्ध (generally available) उत्तराधिकारी के रूप में।

Anthropic के अपने शब्दों में लॉन्च की फ़्रेमिंग: "Introducing Claude Sonnet 5.5, the second model in the Claude 5.5 family. It's a clear upgrade over Claude Sonnet 5, runs 30%+ faster, and costs up to 30% less for most work."

एक साथ तीन चीज़ें आईं:

1. कैपेबिलिटी में छलांग, जो एजेंटिक टर्मिनल कोडिंग में सबसे ज़्यादा दिखती है। Anthropic Terminal-Bench 4.0 पर 70.6% बताता है, Sonnet 5 के 10.3% के मुक़ाबले — 60 अंकों की छलांग — और xhigh effort पर Cognition के FrontierCode 1.1 पर 52.1%, साथ ही Chartography (बिना टूल्स चार्ट पहचान) पर 46.2% → 61.6% की छलांग और OSWorld 2.1 (आंशिक स्कोर) पर 57.0% → 80.1%।
2. प्रति-टोकन प्राइसिंग अपरिवर्तित, पर इरादे में कम कॉस्ट-पर-टास्क। रेट कार्ड Sonnet 5 जैसा ही है: $2/MTok इनपुट, $10/MTok आउटपुट, $0.20 कैश रीड। दावा की गई बचत पूरी तरह इससे आती है कि प्रति टास्क कम टोकन बनते हैं, कीमत में कटौती से नहीं।
3. API डेवलपर्स के लिए असली ब्रेकिंग चेंज। थिंकिंग अब अडैप्टिव (adaptive) है और डिफ़ॉल्ट रूप से चालू। thinking: {"type": "disabled"} 400 एरर लौटाता है; इसकी जगह नई between_tools सेटिंग है। साथ में चार दूसरे ब्रेकिंग चेंज भी आते हैं।

Sonnet 5.5 यह भी साइबर सेफ़गार्ड्स के साथ लॉन्च होने वाला पहला Sonnet-क्लास मॉडल है, और ऐसे क्लासिफ़ायर के साथ आने वाला पहला Sonnet जो रीज़निंग एक्सट्रैक्शन (reasoning extraction) रोकते हैं — दोनों इसलिए, Anthropic के आकलन में, इसकी साइबर क्षमता अब Opus 5 जैसी हो गई है।

उपलब्धता उसी दिन और व्यापक थी: Claude API, Amazon Bedrock, Claude Platform on AWS, Google Cloud और Microsoft Foundry, ज़ीरो डेटा रिटेंशन के साथ। Anthropic ने 2027-09-28 से पहले इसे रिटायर न करने की प्रतिबद्धता जताई।

• स्टोरी आईडी (Story ID): S10
• संगठन (Organization): Anthropic
• श्रेणी (Category): फ्रंटियर मॉडल रिलीज़ / प्राइसिंग (Frontier Model Release / Pricing)
• इवेंट तिथि (Event date): 2026-09-28 (कॉन्फ़िगर की गई विंडो 2026-09-26 → 2026-10-02 के भीतर) — CONFIRMED
• अनाउंसमेंट तिथि (Announcement date): 2026-09-28 — CONFIRMED (Anthropic के लॉन्च पेज पर डेटलाइन; Artificial Analysis के रिलीज़ पेज पर स्वतंत्र रूप से दर्ज है "released September 28, 2026")
• रिपोर्टिंग तिथियां (Reporting dates): 2026-09-28 (The Decoder, AI Tools Police, DataCamp); 2026-09-29 (nextfor.ai राउंड-अप)। Cognition के FrontierCode चेंजलॉग में 2026-09-28 को "Added Claude Sonnet 5.5" दर्ज है।
• रैंक (Rank): 40 में से 10
• डिस्कवरी एविडेंस स्टेटस (Discovery evidence status): COMPANY CLAIM (कॉन्फ़िडेंस High) — यह रिसर्च उस आकलन को काफ़ी बदल देती है। कीमत और उपलब्धता Anthropic के अपने डॉक्युमेंटेशन से CONFIRMED FACT हैं। स्पीड का दावा अब आंशिक रूप से INDEPENDENTLY VERIFIED है। कॉस्ट-पर-टास्क (cost per task) का दावा केवल आंशिक रूप से समर्थित है और एफ़र्ट (effort) पर निर्भर है। नीचे क्लेम लेजर देखें।

क्लेम लेजर (Claim ledger)

डिस्कवरी से विरासत में मिली गैप: डिस्कवरी को कोई भी स्वतंत्र स्रोत नहीं मिला था। वह गैप अब बंद हो चुका है। स्वतंत्र टेक्निकल एवैल्यूएशन मौजूद है (Artificial Analysis, Cognition, Zapier), स्वतंत्र प्रेस विश्लेषण मौजूद है (The Decoder, DataCamp, AI Tools Police), और स्वतंत्र हैंड्स-ऑन टेस्टिंग मौजूद है (DataCamp)। जो अब भी अनसत्यापित है वह है स्पीड दावे की Anthropic की मूल मापन पद्धति, और high effort पर "up to 30%" लागत बचत, जहां स्वतंत्र अंकगणित उलटी दिशा दिखाता है।

FACT — प्राइस कार्ड नहीं हिला। Sonnet 5.5 की लागत हर पंक्ति में ठीक वही है जो Sonnet 5 की है, Anthropic के प्राइसिंग डॉक्युमेंटेशन के अनुसार:

फ़ास्ट मोड (fast mode), रिसर्च प्रीव्यू (research preview) में, केवल Opus 5.5, Opus 5 और Opus 4.8 के लिए सूचीबद्ध है — Sonnet 5.5 के लिए कोई फ़ास्ट-मोड पंक्ति नहीं है। US-only इन्फरेंस (inference_geo: "us") पर 1.1x मल्टीप्लायर लगता है, यानी $2.20 / $11.00 प्रति MTok।

FACT — टोकनाइज़र (Tokenizer) Sonnet 5 जैसा ही है। वही टेक्स्ट Sonnet 5 जितने ही टोकन बनाता है। Sonnet 4.6 और उससे पुराने के मुक़ाबले वही टेक्स्ट लगभग 30% अधिक टोकन बनाता है (नया टोकनाइज़र Opus 4.7 के साथ आया था)।

FACT — प्रॉम्प्ट-कैश (Prompt cache) की न्यूनतम सीमा गिरी। न्यूनतम कैशेबल प्रॉम्प्ट अब 512 टोकन है, जो Sonnet 5, Sonnet 4.6 और Sonnet 4.5 पर 1,024 था। छोटे और पहले कैश न हो सकने वाले सिस्टम प्रॉम्प्ट अब कैश हो सकते हैं।

FACT — पांच ब्रेकिंग चेंज Sonnet 5 पर पहले से चल रहे कोड को प्रभावित करते हैं (साथ में एक साइलेंट बिहेवियर चेंज):

1. thinking: {"type": "disabled"} → 400. between_tools इस्तेमाल करें।
2. फ़ोर्स्ड टूल यूज़ (tool_choice का प्रकार any या tool) → 400. auto के साथ strict: true इस्तेमाल करें।
3. थिंकिंग ब्लॉक अब मॉडल और कन्वर्सेशन से बंधे हैं।
4. Claude API और Google Cloud पर computer_20251124 → 400; computer_toolset_20260801 इस्तेमाल करें। (Amazon Bedrock अब भी computer_20251124 स्वीकार करता है।)
5. एडवाइज़र टूल (advisor tool) Opus 4.8, Opus 4.7 और Sonnet 5 को एडवाइज़र के रूप में अस्वीकार करता है।
6. साइलेंट: टूल कॉल्स के बीच एक-दो वाक्य से लंबा टेक्स्ट अब प्रोग्रेस-अपडेट thinking ब्लॉक के रूप में लौटता है, जो डिफ़ॉल्ट display: "omitted" पर खाली होते हैं। कोई रिक्वेस्ट फेल नहीं होती; जो UI उन नोट्स को स्ट्रीम करता है, वह बस चुप हो जाता है।

400 के रूप में ये भी लौटते हैं: ग़ैर-डिफ़ॉल्ट temperature, top_p, top_k; मैनुअल थिंकिंग बजट (budget_tokens); असिस्टेंट प्रीफ़िल (assistant prefill)।

FACT — सेफ़गार्ड्स का दायरा बढ़ा। Sonnet 5.5 पांच stop_details श्रेणियों में रिक्वेस्ट अस्वीकार कर सकता है: "cyber", "bio", "frontier_llm", "reasoning_extraction", "general_harms"। सर्वर-साइड फ़ॉलबैक (fallbacks: "default", बीटा, केवल Claude API) "cyber" और "frontier_llm" अस्वीकृतियों को Sonnet 5 पर फिर से आज़माता है; यह "bio", "reasoning_extraction" या "general_harms" पर फिर से नहीं आज़माता।

FACT — विज़न हाई-रेज़ोल्यूशन टियर में चला गया। लंबे किनारे पर 2,576 पिक्सेल तक और प्रति इमेज 4,784 विज़ुअल टोकन, जबकि Sonnet 4.6 और उससे पुराने पर 1,568 पिक्सेल और 1,568 टोकन थे। 2000×1500 की इमेज पर अब लगभग 2.5x टोकन लगते हैं जितने Sonnet 4.6 पर लगते थे।

FACT — एफ़र्ट (Effort) प्राथमिक कॉस्ट नॉब (cost knob) बन गया। पांच स्तर: low, medium, high, xhigh, max, जो output_config.effort से सेट होते हैं। Claude API/Platform पर डिफ़ॉल्ट high है, Claude Code और Anthropic के ऐप्स में medium। स्तर रीकैलिब्रेट (recalibrated) किए गए हैं — किसी स्तर का अर्थ अब Sonnet 5 जितना थिंकिंग नहीं है।

पहले (Claude Sonnet 5, जून 2026 में रिलीज़):

• $2 / $10 प्रति MTok इनपुट/आउटपुट।
• थिंकिंग डिफ़ॉल्ट रूप से अडैप्टिव रूप में चालू; disabled स्वीकार्य; मैनुअल budget_tokens डेप्रिकेटेड।
• फ़ोर्स्ड टूल यूज़ स्वीकार्य (tool_choice any/tool)।
• थिंकिंग ब्लॉक Sonnet 5, Opus 4.8, Haiku 4.5 और उससे पुराने के पार पढ़े जा सकते थे।
• सभी प्लेटफ़ॉर्म पर computer_20251124 स्वीकार्य।
• न्यूनतम कैशेबल प्रॉम्प्ट 1,024 टोकन।
• Artificial Analysis Intelligence Index max पर 38; 82.4 आउटपुट टोकन/सेकंड; प्रति Index टास्क $5.09।
• Anthropic की अपनी लॉन्च टेबल ने Sonnet 5 को Terminal-Bench 4.0 पर 10.3% पर रखा, बिना कोई effort स्तर या हार्नेस बताए।

बदलाव (2026-09-28):

• Anthropic ने claude-sonnet-5-5 अपने प्लेटफ़ॉर्म के साथ AWS, Google Cloud और Microsoft Foundry पर रिलीज़ किया।
• थिंकिंग केवल अडैप्टिव हो गई; disabled और budget_tokens दोनों 400 लौटाते हैं।
• साइबर सेफ़गार्ड्स, डिस्टिलेशन क्लासिफ़ायर और विस्तारित प्रिज़र्व्ड थिंकिंग पहली बार किसी Sonnet मॉडल पर लॉन्च के समय आए।
• Haiku 5.5 की घोषणा "in the coming weeks" के रूप में (इवेंट तिथि तक, अभी रिलीज़ नहीं)।

बाद में (Claude Sonnet 5.5):

• वही रेट कार्ड: $2 / $10, $0.20 कैश रीड, $2.50 / $4 कैश राइट, Batch पर 50% छूट।
• between_tools बिना अप-फ़्रंट थिंकिंग चलने का एकमात्र तरीका बनता है — और केवल low, medium या high effort पर।
• कन्वर्सेशन हिस्ट्री अपेंड-ओनली (append-only) होनी चाहिए; 2026-08-31 UTC को या उसके बाद बने अकाउंट्स के लिए पहले की हिस्ट्री संपादित करने के बाद थिंकिंग ब्लॉक रीप्ले करने पर 400 लौटता है।
• थिंकिंग ब्लॉक अकाउंट-बाउंड हैं: वे केवल उसी अकाउंट में काम करते हैं जिसने उन्हें बनाया, या किसी लिंक्ड अकाउंट में।
• Artificial Analysis Intelligence Index max पर 56; 132.2 आउटपुट टोकन/सेकंड; प्रति Index टास्क $7.67।
• स्वतंत्र हार्नेस: Zapier AutomationBench 44.75% पर $1.14/टास्क (Anthropic ने 44.7% बताया था); Cognition FrontierCode xhigh पर 52.1% ($1.59/रोलआउट), high पर 49.4% ($0.42), max पर 46.2% ($20.78); Artificial Analysis का अपना Terminal-Bench रन max पर 63.6% बनाम Opus 5.5 के 59.6%।

बजट मालिक के लिए सबसे उपयोगी बिफ़ोर/आफ़्टर पंक्ति: max effort पर Sonnet 5.5 की लागत Artificial Analysis के Index पर Sonnet 5 से प्रति टास्क लगभग 51% अधिक है, जबकि high effort पर यह उल्लेखनीय रूप से सस्ता है। "30% सस्ता" हेडलाइन effort रेंज के मध्य के बारे में एक कथन है, मॉडल की कोई विशेषता नहीं।

FACT. Sonnet 5.5 Sonnet 5 का टोकनाइज़र रखता है, इसलिए प्रति टास्क लागत केवल इस बात से बदलती है कि मॉडल कितने टोकन खर्च करना चुनता है। इसे दो तंत्र चलाते हैं:

• पांच-स्तरीय एफ़र्ट डायल के साथ अडैप्टिव थिंकिंग (Adaptive thinking)। मॉडल तय करता है कि कितना सोचना है; output_config.effort उसे दिशा देता है। कम effort का अर्थ कम रीज़निंग टोकन और तेज़ जवाब; ज़्यादा effort का अर्थ लंबी रीज़निंग और अधिक सेल्फ़-चेकिंग। Anthropic की अपनी फ़्रेमिंग: "In Claude Code and our apps, the default effort is set to Medium, while the Claude Platform defaults to High."
• टूल-कॉल बैचिंग (Tool-call batching)। Anthropic कहता है कि शुरुआती टेस्टर्स ने पाया कि "in head-to-head runs, it batched tool calls together more than Sonnet 5, leading to fewer steps and lower costs." कम एजेंटिक स्टेप्स का अर्थ कम राउंड ट्रिप और कम जमा हुए कॉन्टेक्स्ट री-रीड।

FACT — between_tools वास्तव में क्या करता है। यह एक अलग तीसरा थिंकिंग मोड है, disabled का नया नाम नहीं। मॉडल अपना जवाब बनाने से पहले सोचता नहीं — इसलिए इसे "अप-फ़्रंट थिंकिंग बंद" रखने वाला कहा गया है। जो यह सक्षम करता है वह है टूल कॉल्स के बीच मॉडल के छोटे प्रोग्रेस अपडेट, जो अब भी thinking ब्लॉक के रूप में लौटते हैं। टूल्स के बिना जवाब में केवल टेक्स्ट होता है, ठीक जैसे Sonnet 5 पर disabled व्यवहार करता था।

इसकी कठोर सीमाएं, सभी डॉक्युमेंटेड:

• low, medium, high पर स्वीकार्य। xhigh या max पर यह 400 लौटाता है — उन स्तरों पर चलाने के लिए अडैप्टिव थिंकिंग इस्तेमाल करनी होगी।
• कोई दूसरी फ़ील्ड नहीं लेता: इसके साथ display, budget_tokens या block_binding देने पर 400 लौटता है।
• कन्वर्सेशन के बीच effort नहीं बदला जा सकता: जो प्रति-संदेश output_config.effort लागू स्तर से अलग है, वह 400 लौटाता है।
• सर्वर-साइड फ़ॉलबैक के साथ, जो between_tools रिक्वेस्ट Sonnet 5 पर फ़ॉलबैक होती है वह वहां thinking: {"type": "disabled"} के साथ चलती है — यानी लीगेसी वैल्यू अब भी मौजूद है, बस पुराने मॉडल पर।

INTERPRETATION. between_tools को सबसे अच्छी तरह Anthropic की इस स्वीकारोक्ति के रूप में पढ़ा जा सकता है कि मिड-टियर मॉडल को हर रिक्वेस्ट पर लंबी अप-फ़्रंट रीज़निंग का लाभ नहीं मिलता, जबकि मल्टी-स्टेप एजेंट्स को लूप के बीच प्रोग्रेस बताने का असली लाभ मिलता है। यह कैपेबिलिटी का बंटवारा है, कम्पैटिबिलिटी शिम (compatibility shim) नहीं।

FACT — थिंकिंग ब्लॉक अब क्यों बंधे हैं। प्रत्येक थिंकिंग ब्लॉक उस कन्वर्सेशन पर साइन होता है जिसने उसे बनाया, और अपने साथ बनाने वाला मॉडल और अकाउंट ले जाता है। Anthropic इसे Claude API, Bedrock और Google Cloud पर 2026-08-31 00:00 UTC को या उसके बाद बने अकाउंट्स के लिए डिफ़ॉल्ट रूप से लागू करता है। जो रिक्वेस्ट system प्रॉम्प्ट, tools, या किसी पहले के संदेश में बदलाव के बाद ब्लॉक रीप्ले करती है, वह 400 लौटाती है। thinking-binding-controls-2026-08-01 बीटा हेडर के साथ आप इसके बजाय prefix_mismatch_behavior: "drop_block" चुन सकते हैं; उस हेडर के साथ ड्रॉप्स टॉप-लेवल input_transformations ऐरे में रिपोर्ट होते हैं। Anthropic का बताया हुआ समाधान है कन्वर्सेशन अपेंड-ओनली रखना और निर्देश या टूल्स संपादित करने के बजाय कन्वर्सेशन के बीच सिस्टम संदेशों से बदलना।

INTERPRETATION — टियर की सीमा खिसक गई। $2/$10 पर Sonnet 5.5 अब नॉलेज वर्क पर $4/$20 वाले Opus 5.5 के कुछ ही अंकों के भीतर है (GDPval-AA 1,844 बनाम 1,846; AA-Briefcase 1,811 बनाम 1,822), कंप्यूटर यूज़ पर (OSWorld 2.1 आंशिक 80.1% बनाम 81.8%), और लंबी-क्षितिज रीज़निंग पर (टूल्स के साथ HLE 64.5% बनाम 67.7%)। अनिश्चित डेवलपर्स के लिए Anthropic का मार्गदर्शन अब भी कहता है कि Opus 5.5 से शुरू करें, पर ऐसा करने का आर्थिक तर्क अब मुख्य रूप से खुले-अंत वाले काम पर लागू होता है जिसमें लगातार निर्णय-क्षमता चाहिए — रोज़ के प्रोडक्शन ट्रैफ़िक पर नहीं।

INDEPENDENT EVIDENCE — स्पीड का दावा टिकता है और कम आंक सकता है। Artificial Analysis Sonnet 5.5 को 132.2 आउटपुट टोकन/सेकंड मापता है, Sonnet 5 के 82.4 टोकन/सेकंड के मुक़ाबले — लगभग 60% तेज़, यानी Anthropic के "30%+ तेज़" से लगभग दोगुना। दोनों आंकड़े Anthropic की अपनी API पर उसी स्वतंत्र मूल्यांकनकर्ता से हैं, इसलिए तुलना लाइक-फ़ॉर-लाइक है। यह स्टोरी में सबसे मज़बूत स्वतंत्र पुष्टि है। ध्यान दें कि यह आउटपुट डिकोड रेट है, एंड-टू-एंड लेटेंसी नहीं: उसी मापन में max effort पर Sonnet 5.5 का टाइम-टू-फ़र्स्ट-टोकन (time-to-first-token) 428.36s है, क्योंकि जवाब से पहले अडैप्टिव थिंकिंग चलती है।

INDEPENDENT EVIDENCE — पर लागत की कहानी effort पर निर्भर है, और आंशिक रूप से खंडित। Artificial Analysis की प्रति Intelligence Index टास्क लागत:

max effort पर Sonnet 5.5 ने प्रति Index टास्क 192,800 आउटपुट टोकन इस्तेमाल किए, Sonnet 5 के 117,800 के मुक़ाबले। Intelligence Index स्कोर उस अतिरिक्त खर्च पर 38 से 56 हुआ। तो: ज़्यादातर प्रोडक्शन ट्रैफ़िक जिन सेटिंग्स पर चलता है, वहां बचत असली और बड़ी है, और हेडलाइन टिकाऊ है; effort रेंज के शीर्ष पर मॉडल ठोस रूप से ज़्यादा महंगा है, और उस वाक्य में Anthropic का "up to" असली काम कर रहा है।

INDEPENDENT EVIDENCE — एक हैंड्स-ऑन टेस्ट में कोई बचत नहीं मिली। DataCamp ने वही बिल्ड टास्क (FiveThirtyEight के college-majors डेटासेट से एक सिंगल-फ़ाइल HTML डैशबोर्ड) दोनों मॉडल्स पर चलाया। Sonnet 5.5 ने छोटे-नमूने की चेतावनियों के साथ चलता हुआ डैशबोर्ड दिया; Sonnet 5 ने खाली पेज दिया (उसकी चार्टिंग लाइब्रेरी के लिए टूटा CDN लिंक, ठीक न हो सकने वाली एरर)। पर प्रति रन लागत Sonnet 5.5 के लिए $0.56 बनाम Sonnet 5 के $0.57 थी — व्यावहारिक रूप से समान, और Sonnet 5.5 तेज़ी से पूरा हुआ। एक असली टास्क पर क्वालिटी का लाभ स्पष्ट था और लागत का लाभ शून्य। एक टास्क बेंचमार्क नहीं है, पर यह उस तंत्र की सीधी जांच है जिस पर दावा टिका है, और इसने उसे दोहराया नहीं।

COMPANY CLAIM — ग्राहकों के बताए एफ़िशिएंसी लाभ। Anthropic की लॉन्च पोस्ट उद्धृत करती है: Base44 प्रति ऐप बिल्ड 3.6 इटरेशन बताता है, Opus 5 के साथ 7.7 के मुक़ाबले; Box वर्कलोड 2.4x तेज़ बताता है, 12% कम टोकन के साथ; Zendesk टिकट प्रोसेसिंग 20% तेज़ मापता है; Atlassian कहता है कि ग्राहक Rovo Agents को 30% तक तेज़ चला सकते हैं; Slack ऑफ़लाइन Slackbot इवैल्स पर लगभग 14% कम आउटपुट टोकन बताता है, प्रॉम्प्ट अपरिवर्तित रहने पर; Epic Games दसियों हज़ार पंक्तियों पर कई घंटे के गेमप्ले-सिस्टम आर्किटेक्चर काम का वर्णन करता है। ये विक्रेता द्वारा चुने गए टेस्टिमोनियल हैं और इन्हें वैसे ही लेबल किया गया है।

INTERPRETATION — बेंचमार्क की छलांग दिशा में असली है, परिमाण में नरम। दो स्वतंत्र हार्नेस सहमत हैं कि मॉडल टर्मिनल एजेंटिक काम में Sonnet 5 से नाटकीय रूप से बेहतर है और वहां कम से कम Opus 5.5 जितना अच्छा है। पर 70.6% का आंकड़ा Anthropic का अपना रन है, Claude Code में, max effort पर, Opus 5.5 के xhigh पर सर्वश्रेष्ठ के मुक़ाबले; सिस्टम कार्ड की अपनी स्टैंडर्ड एरर ±2.5 और ±2.6 अंक हैं, और Anthropic उस अंतर के लिए कोई सांख्यिकीय महत्व नहीं बताता (AI Tools Police के pp.112-113 पढ़ने के अनुसार)। Artificial Analysis का स्वतंत्र रन — अलग हार्नेस, दोनों मॉडल max पर — 63.6% बनाम 59.6% देता है, जो Anthropic के निरपेक्ष आंकड़े से लगभग 7 अंक नीचे है पर क्रम बनाए रखता है। 10.3% का Sonnet 5 बेसलाइन बाहरी रूप से पुष्ट है (Artificial Analysis max पर 14.1%; Zapier 10.65%), इसलिए सुधार का आकार अच्छी तरह समर्थित है, भले ही हेडलाइन आंकड़ा हार्नेस-विशिष्ट हो।

FACT. ये वे क्षमताएं हैं जो मॉडल डॉक्युमेंटेशन और लॉन्च पोस्ट सीधे बताते हैं:

• मिड-टियर कीमत पर एजेंटिक टर्मिनल काम। Terminal-Bench 4.0 पर 70.6% (Anthropic का रन) का अर्थ है कि कमांड लाइन के भीतर मल्टी-स्टेप पेशेवर काम अब ऐसा है जिसे $2/$10 वाला मॉडल भरोसे से आज़मा सकता है। स्वतंत्र रूप से: अलग हार्नेस पर max पर 63.6%, high पर 43.9%।
• सस्ते मर्ज। Cognition का FrontierCode मर्जेबिलिटी (mergeability) मापता है। high effort पर Sonnet 5.5 प्रति रोलआउट $0.42 पर 49.4% तक पहुंचता है — GPT-6 Sol के सर्वश्रेष्ठ 49.3% के बराबर, लगभग पांचवें हिस्से की प्रति-टास्क लागत पर।
• रीयल-टाइम SaaS ऑपरेशंस। Zapier का AutomationBench Sonnet 5.5 को $1.14/टास्क पर 44.75% पर रखता है, उस लीडरबोर्ड पर Opus 5.5 के 42.47% से आगे। Anthropic का अपना 44.7% का आंकड़ा Zapier के प्रकाशित आंकड़े के मुक़ाबले स्वतंत्र रूप से पुष्ट हुआ।
• चार्ट और डॉक्युमेंट समझ में छलांग। Chartography 15.6% → 61.6%। हाई-रेज़ोल्यूशन इमेज इनपुट (2,576px / 4,784 टोकन) असली डॉक्युमेंट्स और स्क्रीनशॉट्स को टोकन-महंगे के बजाय व्यावहारिक बनाता है।
• स्लाइड्स, स्प्रेडशीट और पॉलिश्ड UI कोड। Anthropic Sonnet 5.5 को विशेष रूप से यहां रखता है — "well-scoped everyday tasks, fixing bugs, and creating polished documents, slides, and spreadsheets" — और एक आंतरिक टेस्ट बताता है जहां दो विशेषज्ञों ने तिमाही आय सामग्री से बने 10-स्लाइड ऑपरेटिंग रिव्यू को जैसा है वैसा भेजने योग्य माना। DataCamp का हैंड्स-ऑन टेस्ट अलग आर्टिफ़ैक्ट पर "sharp eye for design" दावे का स्वतंत्र रूप से समर्थन करता है।
• छोटे सिस्टम प्रॉम्प्ट कैश करें। 512-टोकन की न्यूनतम कैश सीमा पहले कैश न हो सकने वाले प्रीफ़िक्स को $0.20/MTok पर बिल करने योग्य बनाती है।
• Batch छूट के साथ Sonnet-टियर वॉल्यूम। Batch पर $1 इनपुट / $5 आउटपुट, output-300k-2026-03-24 बीटा हेडर के ज़रिए 300K आउटपुट टोकन तक।

COMPANY CLAIM, स्वतंत्र रूप से सत्यापित नहीं। "First Sonnet model to beat Pokémon Red working only from screenshots" — लंबी-क्षितिज और इमेज-समझ का प्रॉक्सी। कोई स्वतंत्र जांच नहीं मिली।

FACT — मॉडल आइडेंटिफ़ायर और सरफ़ेस।

• Claude API / Google Cloud / Microsoft Foundry / Claude Platform on AWS: claude-sonnet-5-5
• Amazon Bedrock: anthropic.claude-sonnet-5-5
• 1M कॉन्टेक्स्ट, 128K अधिकतम सिंक्रोनस आउटपुट (बीटा हेडर के साथ Batch पर 300K), Jun 2026 नॉलेज कटऑफ़, इनपुट में टेक्स्ट+इमेज / आउटपुट में टेक्स्ट।
• Anthropic-संचालित प्लेटफ़ॉर्म पर रिटायरमेंट 2027-09-28 से पहले नहीं; Bedrock और Google Cloud अपनी तिथियां खुद तय करते हैं।

FACT — बिल पर असर डालने वाले स्पेक डेल्टा।

• न्यूनतम कैशेबल प्रॉम्प्ट: 512 टोकन (पहले 1,024)।
• टूल-यूज़ सिस्टम प्रॉम्प्ट ओवरहेड: auto/none के लिए Sonnet 5.5 पर 286 टोकन; कोई any/tool प्रविष्टि नहीं है क्योंकि फ़ोर्स्ड टूल यूज़ अस्वीकार होता है।
• computer_toolset_20260801 लगभग 4,500 इनपुट टोकन का टूलसेट डेफ़िनिशन ओवरहेड जोड़ता है; browser_toolset_20260801 लगभग 6,600।
• हाई-रेज़ोल्यूशन इमेज टियर: 2000×1500 इमेज ≈ Sonnet 4.6 पर लगने वाले टोकन का 2.5x।

FACT — रिजेक्शन मैट्रिक्स (rejection matrix)। ये सभी HTTP 400 लौटाते हैं:

• thinking: {"type": "disabled"} और thinking: {"type": "enabled", "budget_tokens": N}
• thinking: {"type": "between_tools"} के साथ display, budget_tokens या block_binding
• xhigh या max effort पर between_tools
• between_tools चलाते समय प्रति-संदेश output_config.effort बदलना
• tool_choice का प्रकार any या tool (टोकन-गिनती एंडपॉइंट पर भी)
• ग़ैर-डिफ़ॉल्ट temperature, top_p, top_k
• Claude API और Google Cloud पर computer_20251124
• असमर्थित एडवाइज़र पेयरिंग
• Sonnet 5.5 थिंकिंग ब्लॉक के साथ संपादित हिस्ट्री रीप्ले करना (2026-08-31 को या उसके बाद बने अकाउंट्स)

FACT — क्या एरर देने के बजाय चुपचाप आकार बदलता है। टूल कॉल्स के बीच एक-दो वाक्य से लंबे नोट्स text ब्लॉक से प्रोग्रेस-अपडेट thinking ब्लॉक में चले जाते हैं, जो डिफ़ॉल्ट display: "omitted" पर खाली होते हैं। कोई रिक्वेस्ट फेल नहीं होती; प्रोग्रेस UI बस ग़ायब हो जाता है। छोटी टिप्पणियां text ही रहती हैं।

INDEPENDENT EVIDENCE — max effort पर असली उलटफेर। Sonnet 5.5 FrontierCode पर max (46.2%) पर कम स्कोर करता है xhigh (52.1%) से। Anthropic का फ़ुटनोट इसे इससे जोड़ता है कि max पर मॉडल Claude Code के कोड-रिव्यू स्किल को ज़्यादा बार बुलाता है, जो सबएजेंट्स में फैल जाता है; Cognition ने जिन दो मामलों की जांच की, उनमें इससे टाइमआउट या स्कोप से बाहर संपादन हुए, और FrontierCode दोनों पर दंड देता है। Cognition इस उलटफेर की कीमत बताता है: max पर $20.78 और प्रति रोलआउट ~595,700 आउटपुट टोकन, बनाम xhigh पर $1.59 और 47,400 — कम स्कोर के लिए लगभग 13x लागत। सबसे ऊंची effort सेटिंग सबसे अच्छी सेटिंग नहीं है।

FACT — between_tools से असल में कौन प्रभावित है। अनिवार्य माइग्रेशन डिस्कवरी की फ़्रेमिंग से संकरा है और एक मामले में व्यापक।

• यह सभी Sonnet 5 यूज़र्स के लिए नहीं है। यह केवल उस कोड पर लागू है जो स्पष्ट रूप से thinking: {"type": "disabled"} भेजता है। जो रिक्वेस्ट thinking फ़ील्ड छोड़ देती हैं, या adaptive भेजती हैं, उन्हें कोई बदलाव नहीं चाहिए — हालांकि अब वे थिंकिंग चालू होने के साथ चलेंगी, जहां Sonnet 5 कुछ पहले की सेटिंग्स पर बिना थिंकिंग चलता था।
• यह उन सबके लिए अनिवार्य है जो कन्वर्सेशन के बीच effort बदलने के लिए between_tools इस्तेमाल करते हैं: between_tools के साथ effort कन्वर्सेशन के पूरे जीवन के लिए तय रहता है, और प्रति-संदेश output_config.effort बदलाव 400 लौटाता है।

FACT — Sonnet 5 यूज़र्स के लिए माइग्रेशन चेकलिस्ट (Anthropic, overview और migration guide से):

1. अगर आपका कोड disabled से थिंकिंग बंद करता है, तो high effort या उससे नीचे between_tools भेजें।
2. tool_choice के any/tool को auto के साथ strict: true से बदलें (या Bedrock पर अकेला auto, जहां इस मॉडल के लिए स्ट्रक्चर्ड आउटपुट और स्ट्रिक्ट टूल यूज़ उपलब्ध नहीं हैं)। ध्यान दें: प्रति रिक्वेस्ट अधिकतम 20 स्ट्रिक्ट टूल्स, और MCP / कंप्यूटर यूज़ / ब्राउज़र यूज़ टूलसेट प्रविष्टियां strict स्वीकार नहीं करतीं।
3. कन्वर्सेशन अपेंड-ओनली रखें।
4. Claude API या Google Cloud पर computer_20251124 को computer_toolset_20260801 में ले जाएं और fine-grained-tool-streaming-2025-05-14 बीटा हेडर हटा दें।
5. अगर आप Opus 4.8, Opus 4.7 या Sonnet 5 के साथ एडवाइज़र टूल इस्तेमाल करते हैं, तो एडवाइज़र बदलें।
6. अगर आपका UI टूल कॉल्स के बीच टेक्स्ट दिखाता है, तो अडैप्टिव थिंकिंग के तहत thinking.display सेट करें, या between_tools इस्तेमाल करें।

Anthropic एक ऑटोमेशन रास्ता भी देता है: Claude Code में /claude-api migrate पूरे कोडबेस पर ID स्वैप के साथ पैरामीटर बदलाव, प्रीफ़िल रिप्लेसमेंट और effort कैलिब्रेशन लागू करता है, और एक मैनुअल चेकलिस्ट निकालता है।

FACT — effort रीकैलिब्रेशन फिर से स्वीप करने पर मजबूर करता है। Anthropic स्पष्ट है: कोई स्तर अब Sonnet 5 जितना थिंकिंग नहीं पैदा करता। सुझाए शुरुआती बिंदु: सामान्यतः high; अच्छी तरह निर्दिष्ट एजेंटिक कोडिंग और मल्टीस्टेप टूल यूज़ के लिए medium, कठिन या लंबे कामों के लिए high पर जाएं; चैट और लेटेंसी-संवेदनशील काम के लिए medium या low।

INDEPENDENT EVIDENCE — effort की सीढ़ी असली पैसा बचाती और लगाती है। Artificial Analysis के Index पर medium → high जाने से 6 इंडेक्स अंक जुड़ते हैं, प्रति टास्क $0.49 में; low → high से 11 अंक जुड़ते हैं $0.67 में। उसके Terminal-Bench रन पर high → max से 19.7 अंक जुड़ते हैं (43.9% → 63.6%), प्रति टास्क $6.52 में। Cognition के FrontierCode पर high → max 3.2 अंक खोता है जबकि प्रति रोलआउट 49x ज़्यादा महंगा है। एफ़िशिएंट फ़्रंटियर (efficient frontier) वर्कलोड-विशिष्ट है और रेंज के शीर्ष के पास कहीं नहीं है।

FACT — रिफ़्यूज़ल्स को सामान्य कोड पाथ की तरह संभालें। stop_reason: "refusal" साथ में stop_details श्रेणी, HTTP 200 के रूप में लौटता है। बिलिंग और रेट-लिमिट व्यवहार श्रेणी पर निर्भर हैं, और आउटपुट से पहले का रिफ़्यूज़ल बिल होगा या नहीं यह इस पर निर्भर है कि कौन सी श्रेणी ट्रिगर हुई। क्लाइंट-साइड फ़ॉलबैक SDK मिडलवेयर या आपका अपना रिट्राई संभालता है; सर्वर-साइड फ़ॉलबैक केवल "cyber" और "frontier_llm" को कवर करता है।

FACT. Sonnet 5.5 Anthropic के प्लेटफ़ॉर्म पर ज़ीरो डेटा रिटेंशन (zero data retention) के साथ उपलब्ध है, और पहले ही दिन AWS (Bedrock और Claude Platform on AWS), Google Cloud और Microsoft Foundry पर आता है — इसलिए प्रोक्योरमेंट नई वेंडर समीक्षा के बजाय मौजूदा क्लाउड अनुबंधों से आगे बढ़ सकता है। एंटरप्राइज़ रेट-कार्ड वार्ता, वॉल्यूम छूट और समर्पित सपोर्ट Anthropic सेल्स के ज़रिए उपलब्ध रहते हैं।

FACT — दो गवर्नेंस मामलों पर प्रोक्योरमेंट का ध्यान चाहिए।

साइबर वेरिफ़िकेशन प्रोग्राम (Cyber Verification Program) की गैप। Anthropic के विस्तारित Cyber Verification Program को भविष्य की क्षमता बताया गया है — साइबर डिफ़ेंडर्स "soon" आवेदन कर सकेंगे। सिस्टम कार्ड कथित रूप से कहता है कि Sonnet 5.5 "will be available through this program in the near future", जिसका अर्थ है कि CVP सदस्य लॉन्च पर अधिकृत काम के लिए Sonnet 5.5 या Opus 5.5 इस्तेमाल नहीं कर सकते। इससे भुगतान करने वाले प्रोग्राम सदस्यों की ओर से लॉन्च-दिन की रगड़ पैदा हुई: anthropics/claude-code पर एक GitHub इश्यू, "[Bug] Claude 5.5 Sonnet unavailable for CVP members" (#97946, 2026-09-28 को खोला गया, अब भी खुला), जिसमें दर्ज है "Part of CVP but can't use latest models cause of 'safeguards'". रेड-टीम और वल्नरेबिलिटी-रिसर्च टीमों को प्रोग्राम बढ़ने तक Sonnet 5 पर भेजे जाने की अपेक्षा रखनी चाहिए।

सेफ़गार्ड का विस्तार। साइबर और बायो से आगे नई रिफ़्यूज़ल श्रेणियां: "frontier_llm" (प्रतिस्पर्धी मॉडल बनाने में मदद) और "reasoning_extraction" (मॉडल से यह मांगना कि वह अपनी आंतरिक रीज़निंग जवाब के टेक्स्ट में दोहराए)। कंप्लायंस टीमों को विशेष रूप से रीज़निंग-एक्सट्रैक्शन क्लासिफ़ायर पर ध्यान देना चाहिए — यह उस बात पर नई श्रेणी का प्रतिबंध है कि Sonnet-टियर मॉडल क्या जवाब देगा, और इसका कोई सर्वर-साइड फ़ॉलबैक नहीं है।

FACT — सेफ़्टी की कहानी के भीतर एक ऑपरेशनल रिग्रेशन। Anthropic की लॉन्च पोस्ट कहती है कि रूटीन सॉफ़्टवेयर डेवलपमेंट और ज़्यादातर लाइफ़ साइंसेज़ काम सेफ़गार्ड्स से अप्रभावित हैं। सिस्टम कार्ड कथित रूप से ज़्यादा सतर्क पंक्ति रखता है: "users should expect increased refusals with Sonnet 5.5, even on benign cybersecurity-related tasks." वल्नरेबिलिटी ट्रायाज करने वाली सुरक्षा टीमों को, और हर उस वर्कफ़्लो को जो संयोगवश ऑफ़ेंसिव टूलिंग को छूता है, रिग्रेशन टेस्ट करना चाहिए।

FACT — डेटा-रेज़िडेंसी और जियो कंट्रोल। Claude API और Claude Platform on AWS पर inference_geo: "us", और Azure Foundry पर US Data Zone Standard डिप्लॉयमेंट प्रकार, इन्फरेंस को US में रखते हैं, 1.1x प्राइस मल्टीप्लायर पर। पार्टनर-संचालित Bedrock और Google Cloud की अपनी क्षेत्रीय प्राइसिंग है, क्षेत्रीय और मल्टी-रीजन एंडपॉइंट्स पर 10% प्रीमियम के साथ।

FACT — अकाउंटिंग की निरंतरता। चूंकि रेट कार्ड Sonnet 5 जैसा ही है, मौजूदा प्रति-टोकन लागत पूर्वानुमान high effort और उससे नीचे मान्य रहते हैं; effort वह चर है जिसे मॉडल करना है। Batch पर 50% छूट पहले दिन से लागू है। Anthropic अलग से बताता है कि Sonnet 5 की $2/$10 इंट्रोडक्टरी प्राइसिंग उसकी स्टैंडर्ड कीमत बन गई और $3/$15 तक निर्धारित बढ़ोतरी नहीं होगी — इसलिए तुलना का बेसलाइन खुद विंडो के भीतर खिसक गया।

INTERPRETATION — Anthropic कैपेबिलिटी फ्रंटियर पर नहीं, एफ़िशिएंसी फ्रंटियर पर मुक़ाबला कर रहा है। Sonnet 5.5 स्पष्ट रूप से कैपेबिलिटी फ्रंटियर को आगे नहीं बढ़ाता; इसी कारण Anthropic का अपना सेफ़्टी आकलन Opus 5.5 से सीमित है। यह रिलीज़ मार्जिन और हिस्सेदारी का दांव है: ऐसा मॉडल लें जो ज़्यादातर मूल्यांकनों पर फ़्लैगशिप के लगभग बराबर है, उसे फ़्लैगशिप की प्रति-टोकन दर के आधे पर रखें, और उसे स्पष्ट डिफ़ॉल्ट बना दें। स्वतंत्र आंकड़े इस रणनीति का समर्थन करते हैं — Artificial Analysis Sonnet 5.5 को अपने Index पर 56 पर रखता है, Opus 5.5 को 57.62 पर, $2/$10 बनाम $4/$20 पर।

INTERPRETATION — असली प्रोडक्ट effort डायल है। Anthropic ने थिंकिंग की गहराई को पहली श्रेणी का, प्रति-रिक्वेस्ट कॉस्ट कंट्रोल बना दिया है, एक डॉक्युमेंटेड कॉस्ट/क्वालिटी कर्व के साथ। यह मॉडल तुलना को "कौन सा मॉडल" से "कौन सा मॉडल, किस effort पर, किस टास्क के लिए" की ओर खिसका देता है — और विक्रेता को एक ही मॉडल को पांच अलग तरीकों से कीमत देने की क्षमता देता है। स्वतंत्र एविडेंस दिखाता है कि यह दिखावा नहीं है: एक ही मॉडल पर प्रति-टास्क लागत low और max के बीच 18x से अधिक बदलती है।

INTERPRETATION — between_tools माइग्रेशन कैपेबिलिटी रिलीज़ को व्यवहार बदलाव से जानबूझकर जोड़ना है। हर थिंकिंग-बंद Sonnet यूज़र को उसी दिन नाम बदलने से गुज़रने पर मजबूर करना, जिस दिन टर्मिनल-बेंचमार्क में 60 अंकों की छलांग है, उन टीमों की संख्या बढ़ाता है जो रिलीज़ नोट्स पढ़ेंगी। यह टिकाऊ प्रोडक्ट निर्णय है अगर लाभ उतने बड़े हों जितना Anthropic बताता है, और यह असली लागत है अगर न हों — DataCamp का हैंड्स-ऑन रन सुझाता है कि क्वालिटी के लाभ लागत के लाभ से तेज़ आते हैं।

INTERPRETATION — सेफ़गार्ड्स केवल सेफ़्टी नहीं, प्रतिस्पर्धी सतह बन रहे हैं। Sonnet 5.5 साइबर सेफ़गार्ड्स और रीज़निंग-एक्सट्रैक्शन क्लासिफ़ायर के साथ आने वाला पहला Sonnet है। दो रणनीतिक परिणाम: वैध डिफ़ेंडर्स CVP बढ़ने तक बाहर रहते हैं (एक स्वीकृत, तिथि-युक्त गैप), और रीज़निंग-एक्सट्रैक्शन डिफ़ेंस मिड-टियर तक पहुंचती है, जिससे वह डिस्टिलेशन सतह सिकुड़ती है जिस पर पश्चिमी लैब्स बल्क-वेट एक्सट्रैक्शन हमलों के ख़िलाफ़ निर्भर हैं।

INTERPRETATION — OpenAI Sol टियर पर प्राइस-पैरिटी का दबाव। Sonnet 5.5 और GPT-6 Sol चारों पंक्तियों पर एक जैसी कीमत पर हैं ($2 इनपुट, $10 आउटपुट, $0.20 कैश्ड इनपुट, $2.50 कैश राइट)। जिन बाहरी मूल्यांकनों को पढ़ा गया, उनमें Sonnet 5.5 आगे है: Artificial Analysis के Index पर max पर 56 बनाम 48, Cognition के FrontierCode पर प्रत्येक मॉडल के सर्वश्रेष्ठ effort पर 52.1% बनाम 49.3%। मिली-जुली लागत पर बढ़त घट जाती है — high पर Sonnet 5.5 प्रति Index टास्क $1.08 में 46.74 स्कोर करता है, जबकि max पर Sol $1.06 में 47.53। ईमानदार सार: Sonnet 5.5 की सीलिंग बेहतर है और अपनी ही रेंज के शीर्ष पर प्रति-टास्क अर्थशास्त्र ख़राब; Sol का ऊपरी सिरा सपाट और सस्ता है।

FACT — कोड-तोड़ने का जोखिम (सबसे तात्कालिक)। पांच डॉक्युमेंटेड 400-एरर बदलाव और एक साइलेंट रिस्पॉन्स-शेप बदलाव। जो भी टीम disabled-थिंकिंग इंटीग्रेशन, फ़ोर्स्ड टूल यूज़, संपादित कन्वर्सेशन हिस्ट्री, या Claude API या Google Cloud पर computer_20251124 शिप करती है, वह अपग्रेड पर टूटेगी, धीमी नहीं होगी।

FACT — कन्वर्सेशन-इंटेग्रिटी जोखिम। अपेंड-ओनली हिस्ट्री अब 2026-08-31 UTC को या उसके बाद बने अकाउंट्स के लिए डिफ़ॉल्ट रूप से लागू है। जो भी प्रोडक्ट पिछले टर्न फिर से लिखता है — प्रॉम्प्ट ऑप्टिमाइज़ेशन, रिडैक्शन, जगह पर सारांशीकरण, A/B टेस्ट आर्म्स — 400 लौटाना शुरू कर देगा। prefix_mismatch_behavior: "drop_block" एस्केप हैच बीटा हेडर के पीछे मौजूद है पर रीज़निंग चुपचाप फेंक देता है, जो मॉडल का व्यवहार बदल देता है।

FACT — लागत जोखिम। max effort पर Sonnet 5.5 की लागत Artificial Analysis के Index पर Sonnet 5 से प्रति टास्क लगभग 51% अधिक है। जो टीमें "30% सस्ता" हेडलाइन पर अपनाकर ऊंची effort सेटिंग डिफ़ॉल्ट करती हैं — या max सेट करती हैं क्योंकि बेंचमार्क टेबल max के आंकड़े दिखाती है — उनका बिल बढ़ेगा। Cognition के FrontierCode आंकड़े इसे ठोस बनाते हैं: max पर $20.78 प्रति रोलआउट बनाम xhigh पर $1.59।

FACT — रिफ़्यूज़ल और राउटिंग जोखिम। नई रिफ़्यूज़ल श्रेणियां, पांच में से तीन के लिए कोई फ़ॉलबैक नहीं, और बेनाइन साइबर-निकट काम पर बढ़े रिफ़्यूज़ल्स। फ़ॉलबैक मॉडल भी कमज़ोर है: AI Tools Police बताता है कि कार्ड के एक कोडिंग प्रॉम्प्ट-इंजेक्शन मूल्यांकन में, Sonnet 5.5 को भेजी गई 25% रिक्वेस्ट साइबर ब्लॉक के बाद Sonnet 5 ने दीं, और उनमें से 12.01% समझौता-ग्रस्त थीं, जबकि Sonnet 5.5 ने खुद जिन 5,901 रिक्वेस्ट का जवाब दिया उनमें से केवल 4। सुरक्षा की स्थिति चुपचाप पुराने मॉडल पर गिर सकती है।

FACT — अधिकृत डिफ़ेंडर्स के लिए उपलब्धता जोखिम। CVP सदस्य लॉन्च पर Sonnet 5.5 और Opus 5.5 पर ब्लॉक हैं, एक भुगतान करने वाले प्रोग्राम सदस्य की खुली बग रिपोर्ट के साथ।

INDEPENDENT EVIDENCE — अलाइनमेंट रिग्रेशन जोखिम। सिस्टम कार्ड के अनुसार, जैसा AI Tools Police ने रिपोर्ट किया: Claude Code में अस्वीकार किए गए दुर्भावनापूर्ण रिक्वेस्ट 87.9% से गिरकर 85.2% हुए; अस्वीकार किए गए दुर्भावनापूर्ण कंप्यूटर-यूज़ टास्क 84.68% से गिरकर 79.46% हुए — Opus 5.5 जितनी ही दर; हानिरहित सिंगल-टर्न जवाब 96.65% से गिरकर 95.61% हुए। मल्टी-टर्न रिग्रेशन ट्रैकिंग और निगरानी, हिंसक उग्रवाद, तथा घृणा और भेदभाव में रिपोर्ट हुए। कार्ड एक छोटा पर सांख्यिकीय रूप से महत्वपूर्ण सेल्फ़-प्रेफ़रेंस बायस भी पाता है और यह कि मॉडल "slightly more likely to state an incorrect answer than Sonnet 5" है। Anthropic की लॉन्च फ़्रेमिंग — "improves on or matches Sonnet 5 on most measures" — जैसी लिखी है वैसी सच है, पर असली रिग्रेशन के सेट के ऊपर बैठती है।

INTERPRETATION — कॉन्संट्रेशन जोखिम। ऐसा मॉडल जो एक साथ प्रति टोकन सस्ता, तेज़ और एजेंटिक काम में ज़्यादा सक्षम है, एजेंटिक वर्कलोड को एक मॉडल ID पर केंद्रित कर देता है। फ़ॉलबैक पाथ का अर्थ है कि फ़्लैग की गई रिक्वेस्ट पर क्वालिटी चुपचाप पूरी पीढ़ी नीचे गिर जाती है, बिना कॉलर को पता चले।

Anthropic के एविडेंस की सीमाएं।

• Terminal-Bench 4.0 पर 70.6% Anthropic का अपना रन है, Claude Code में, max effort पर, 66 टास्क पर पांच-पांच ट्रायल, इंटरनेट एक्सेस ब्लॉक, सेफ़गार्ड्स और सर्वर-साइड फ़ॉलबैक सक्रिय। 66.4% वाली Opus 5.5 तुलना xhigh पर है। स्टैंडर्ड एरर ±2.5 और ±2.6 अंक; Anthropic 4.2-अंक अंतर के लिए कोई महत्व नहीं बताता।
• Sonnet 5 का 10.3% बेसलाइन केवल लॉन्च टेबल में दिखता है, बिना कोई effort स्तर या हार्नेस बताए। सिस्टम कार्ड Sonnet 5 के लिए कोई Terminal-Bench स्कोर नहीं बताता।
• लॉन्च पोस्ट जिन कॉस्ट चार्ट्स पर टिकी है वे इमेज हैं; उनके दावे केवल वहां इस्तेमाल योग्य हैं जहां कैप्शन उन्हें टेक्स्ट में बताते हैं।
• "Up to 30% less" और "for most work" अनमापित हेज हैं। Anthropic "most work" के पीछे का वर्कलोड वितरण परिभाषित नहीं करता।
• सिस्टम कार्ड कथित रूप से न 30% लागत का आंकड़ा रखता है, न स्पीड का दावा।
• 44.7% AutomationBench आंकड़ा, AI Tools Police के अनुसार, "Anthropic's calculation from Zapier's recorded token counts" है, जबकि उस पंक्ति में हर दूसरे मॉडल की लागत Zapier का अपना प्रकाशित आंकड़ा है।

स्वतंत्र एविडेंस की सीमाएं।

• Artificial Analysis हर Sonnet 5.5 प्रविष्टि को "Default Fallback" लेबल करता है, इसलिए उसके स्कोर में फ़्लैग की गई रिक्वेस्ट पर Sonnet 5 के दिए जवाब भी शामिल हैं। Zapier की Sonnet 5.5 पंक्तियों पर भी यही सच है।
• Artificial Analysis की max-effort प्रविष्टि 428 सेकंड का टाइम-टू-फ़र्स्ट-टोकन दिखाती है। यह max-effort थिंकिंग ट्रेस है, लेटेंसी रिग्रेशन नहीं, पर इसका अर्थ है कि एंड-टू-एंड रिस्पॉन्सिवनेस और डिकोड स्पीड उलटी दिशाओं में इशारा कर सकते हैं।
• स्वतंत्र Terminal-Bench पुनरुत्पादन एक मूल्यांकनकर्ता, एक हार्नेस (mini-swe-agent), एक effort सेटिंग है।
• लॉन्च दिन तक Terminal-Bench 4.0 पब्लिक लीडरबोर्ड पर Sonnet 5.5, Opus 5.5 या GPT-6 Sol के लिए कोई प्रविष्टि नहीं थी; ARC Prize, LMArena, Epoch AI और METR ने कुछ प्रकाशित नहीं किया था।
• Cognition के चेंजलॉग ने 2026-09-28 को "Added Claude Sonnet 5.5" दर्ज किया, उस समय पास या फ़्लैग दरों के बिना।
• Artificial Analysis का स्पीड आंकड़ा लॉन्च दिन अनुपस्थित था और बाद में आया; 2026-09-28 को पढ़ी गई AI Tools Police समीक्षा अब भी हर Sonnet 5.5 प्रविष्टि के लिए "Speed N/A" दर्ज करती है। 132.2 tok/s का आंकड़ा 2026-10-04 को Artificial Analysis से लिया गया।

इस रिसर्च की सीमाएं।

• Claude Sonnet 5.5 System Card 148 पेज का PDF है जो सीधे नहीं लिया जा सका (फ़ेच टूल ने PDF कंटेंट टाइप अस्वीकार किया)। इसलिए इस दस्तावेज़ में हर सिस्टम-कार्ड आंकड़ा AI Tools Police की समीक्षा के ज़रिए दूसरे हाथ रिपोर्ट है, जो पेज नंबर देती है (pp. 2, 3, 10-12, 28-29, 32, 33, 37, 40, 48-52, 54, 57-58, 65, 72, 77-78, 80-81, 84, 109, 111, 113, 130, 137-138)। ये INDEPENDENTLY-REPORTED हैं, प्रथम-हस्त सत्यापित नहीं, और इन्हें तय मानने से पहले PDF के मुक़ाबले फिर जांचा जाना चाहिए।
• इस रिसर्च के दौरान Claude Sonnet 5.5 पर कोई प्रॉम्प्ट नहीं चलाया गया।
• AWS, Google Cloud और Azure पर Sonnet 5.5 के क्लाउड मार्केटप्लेस रेट कार्ड नहीं पढ़े गए।
• इवेंट तिथि तक Haiku 5.5 रिलीज़ नहीं हुआ था।

1. Sonnet 5 ने Terminal-Bench पर ~10% क्यों स्कोर किया? Anthropic के दोनों दस्तावेज़ इसे समझाते नहीं। बाहरी आंकड़े नीचे ही क्लस्टर करते हैं (Artificial Analysis max पर 14.1%, Zapier 10.65%)। वास्तव में टूटे बेसलाइन से 60 अंकों की पीढ़ीगत छलांग एक अलग दावा है, सक्षम बेसलाइन से 60 अंकों की छलांग से।
2. किसी वर्कलोड को असल में कौन सा effort चाहिए? "high से शुरू करें" से आगे कोई प्रकाशित मार्गदर्शन नहीं है। स्वतंत्र कर्व्स इस पर असहमत हैं कि max कभी इस लायक है या नहीं — Cognition FrontierCode पर ना कहता है, Artificial Analysis Terminal-Bench पर शायद कहता है।
3. क्या Cyber Verification Program को इतनी जल्दी बढ़ाया जा सकता है? लॉन्च तक नहीं। खुला बग #97946 गैप की कीमत दिखाता है।
4. "प्रति टास्क सस्ता" में कितना हिस्सा कम effort पर कम रीज़निंग है, और कितना बेहतर टोकन आवंटन? DataCamp का $0.56-बनाम-$0.57 परिणाम और max पर 192,800-बनाम-117,800 आउटपुट-टोकन का अंतर, दोनों सुझाते हैं कि effort का चुनाव प्रमुख है।
5. क्या स्पीड का दावा Anthropic के हार्नेस के बाहर टिकता है, और किस effort पर? Artificial Analysis दिशा का समर्थन करता है; medium या high पर कोई स्वतंत्र मापन उपलब्ध नहीं था।
6. क्या रीज़निंग-एक्सट्रैक्शन क्लासिफ़ायर वैध वर्कलोड पर फ़ॉल्स पॉज़िटिव बनाता है? इसका कोई सर्वर-साइड फ़ॉलबैक नहीं है, इसलिए फ़ॉल्स पॉज़िटिव एक हार्ड स्टॉप है।
7. अलाइनमेंट रिग्रेशन का वास्तविक असर क्या है — रिफ़्यूज़ल दरों की गिरावट और गलत जवाब देने में बताई गई बढ़ोतरी — डाउनस्ट्रीम प्रोडक्ट्स पर?
8. Haiku 5.5 कब आएगा, और किस कीमत पर? यही वह टुकड़ा है जो GPT-6 Luna के मुक़ाबले टियर संरचना पूरी करेगा।
9. क्या Anthropic "up to 30% less" के पीछे की कॉस्ट-पर-टास्क पद्धति प्रकाशित करेगा? उसके बिना हेडलाइन को effort-नियंत्रित तुलना के बाहर आंका नहीं जा सकता।

प्रभाव: HIGH और तात्कालिक। यह उन सबके लिए "चेंजलॉग पढ़ लो" वाली कहानी नहीं है जिनके पास disabled-थिंकिंग इंटीग्रेशन, फ़ोर्स्ड टूल यूज़, संपादित हिस्ट्री, या Claude API या Google Cloud पर computer_20251124 है। वे अपग्रेड पर 400 एरर के साथ टूटते हैं। सादे अडैप्टिव-थिंकिंग API कॉल्स पर auto टूल चॉइस के साथ रहने वाली टीमें साइलेंट प्रोग्रेस-टेक्स्ट बदलाव के अलावा ज़्यादातर अप्रभावित हैं।

सुझाया कार्रवाई:

1. माइग्रेशन ब्रांच पर करें, जगह पर नहीं। Anthropic की छह-बिंदु चेकलिस्ट क्रम से फॉलो करें। thinking → between_tools स्वैप एक पंक्ति है और थिंकिंग-बंद कोड के लिए एकमात्र अनिवार्य कदम है।
2. xhigh या max रिफ़्लेक्स से सेट न करें। लॉन्च टेबल के हेडलाइन आंकड़े max-effort आंकड़े हैं। Artificial Analysis पर max की लागत प्रति टास्क $7.67 है, high पर $1.08; Cognition के FrontierCode पर max, xhigh से ख़राब स्कोर करता है, 13x लागत पर। high (API डिफ़ॉल्ट) या अच्छी तरह निर्दिष्ट एजेंटिक काम के लिए medium से शुरू करें और स्वीप करें।
3. अपनी हिस्ट्री अब अपेंड-ओनली बनाएं। 2026-08-31 UTC को या उसके बाद बने अकाउंट्स पर डिफ़ॉल्ट रूप से लागू। जो कोड पिछले टर्न संपादित करता है — प्रॉम्प्ट ऑप्टिमाइज़ेशन लेयर, रिडैक्शन, जगह पर सारांशीकरण — उसका ऑडिट करें और उसे कन्वर्सेशन-के-बीच सिस्टम संदेशों पर ले जाएं।
4. श्रेणी-जागरूक stop_reason: "refusal" हैंडलर जोड़ें और फ़ॉलबैक कॉन्फ़िगर करें। सर्वर-साइड फ़ॉलबैक केवल "cyber" और "frontier_llm" कवर करता है।
5. स्ट्रीमिंग प्रोग्रेस टेक्स्ट के लिए रिग्रेशन चेक जोड़ें। कुछ एरर नहीं होता; UI बस टूल कॉल्स के बीच चुप हो जाता है।
6. अपना पूर्वानुमान बदलने से पहले अपने ही इवैल्स पर कॉस्ट मॉडल फिर बेसलाइन करें, दो या तीन effort स्तरों पर। प्रति-टोकन दर नहीं हिली; आपकी प्रति-टास्क दर हिलेगी।

प्रभाव: HIGH, एक गवर्नेंस पूंछ के साथ। माइग्रेशन के अलावा, यह रिलीज़ बदलती है कि एक मिड-टियर मॉडल किस बात के लिए टिकाऊ है, और दो नई पॉलिसी सतहें जोड़ती है जो आपकी टीमें विरासत में लेंगी।

सुझाया कार्रवाई:

1. डिफ़ॉल्ट-मॉडल की बातचीत बदलें। high effort पर Sonnet 5.5 नॉलेज वर्क और कंप्यूटर यूज़ पर Opus 5.5 के कुछ ही अंकों के भीतर है, आधी प्रति-टोकन कीमत पर। Opus को असली खुले-अंत वाले काम के लिए बचाएं। DataCamp की फ़्रेमिंग सही ह्यूरिस्टिक है: Sonnet वहां इस्तेमाल करें जहां आपको पता हो "done" कैसा दिखता है।
2. max-effort के आंकड़े अपनी प्लानिंग में न आने दें। वे लॉन्च पोस्ट के सबसे ज़्यादा उद्धृत आंकड़े हैं और प्रोडक्शन सेटिंग्स के सबसे कम प्रतिनिधि। एक लिखित effort पॉलिसी बनाएं।
3. साइबर-सेफ़गार्ड सतह का एक मालिक नियुक्त करें। Anthropic की लॉन्च पोस्ट और सिस्टम कार्ड बेनाइन सुरक्षा काम पर असर के बारे में अलग बातें कहते हैं (AI Tools Police कार्ड को "increased refusals … even on benign cybersecurity-related tasks" की चेतावनी के रूप में पढ़ता है)। अगर कोई टीम वल्नरेबिलिटी ट्रायाज या इंसिडेंट काम करती है, तो डिफ़ॉल्ट बदलने से पहले रिग्रेशन टेस्ट करें।
4. अगर आपके पास अधिकृत डिफ़ेंडर्स हैं तो CVP गैप को एस्केलेट करें। वे लॉन्च पर दोनों नए फ़्लैगशिप-टियर मॉडल्स से बाहर हैं, एक खुली बग रिपोर्ट के साथ और बिना तिथि। प्रोग्राम बढ़ने तक काम Sonnet 5 के आसपास प्लान करें।
5. अपना रीज़निंग-एक्सट्रैक्शन एक्सपोज़र समीक्षें। बिना फ़ॉलबैक वाली नई हार्ड रिफ़्यूज़ल क्लास आंतरिक टूलिंग तोड़ सकती है जो मॉडल से अपनी रीज़निंग समझाने को कहती है — जिसमें इवैल्यूएशन हार्नेस और टीचिंग टूल्स शामिल हैं।
6. लेटेंसी अपेक्षाएं सावधानी से फिर बेसलाइन करें। डिकोड स्पीड लगभग दोगुनी हुई, पर high effort पर टाइम-टू-फ़र्स्ट-टोकन पर अडैप्टिव थिंकिंग का दबदबा है। चैट-जैसी सतहों पर यूज़र को महसूस होने वाली रिस्पॉन्सिवनेस effort पर निर्भर है, डिकोड रेट पर नहीं।

प्रभाव: लागत और विक्रेता रणनीति पर MEDIUM-HIGH; कैपेबिलिटी जोखिम पर LOW-MEDIUM।

सुझाया कार्रवाई:

1. रिलीज़ को प्राइसिंग और पोज़िशनिंग कदम के रूप में पढ़ें, कैपेबिलिटी की सफलता के रूप में नहीं। Anthropic साफ़ कहता है कि Sonnet 5.5 कैपेबिलिटी फ्रंटियर को आगे नहीं बढ़ाता। दांव यह है कि ज़्यादातर भुगतान वाला काम — जिसमें ज़्यादातर कोडिंग-एजेंट काम भी है — इसी टियर पर चलेगा।
2. 30% लागत कटौती को प्लान में दर्ज न करें। Anthropic इसे दो बार हेज करता है ("up to", "for most work"), स्वतंत्र एविडेंस low से high effort तक इसका समर्थन करता है और max पर इसका खंडन, और एकमात्र स्वतंत्र हैंड्स-ऑन लागत तुलना में कोई बचत नहीं मिली। इसे प्रति टोकन सपाट मॉडल करें, साथ में effort-नियंत्रित कमी जिसे आपको खुद मापना है।
3. टियर संरचना के और सिकुड़ने की अपेक्षा रखें। Haiku 5.5 "in the coming weeks" का वादा है; Sonnet 5.5 अब ज़्यादातर वर्कलोड पर Opus 5.5 के अर्थशास्त्र को काटता है। फ़ॉरवर्ड कॉन्ट्रैक्ट्स और कैपेसिटी प्रतिबद्धताओं को मिड-टियर प्रति-टास्क लागत पर लगातार नीचे का दबाव मान लेना चाहिए।
4. OpenAI Sol तुलना मिले हुए effort और मिली-जुली लागत पर ट्रैक करें, हेडलाइन मैक्सिमा पर नहीं। दोनों मॉडल्स की प्रति-टोकन कीमत एक जैसी है। Sonnet 5.5 की सीलिंग बेहतर है; एक बार कीमत चुकाने पर Sol का ऊपरी सिरा सस्ता है।
5. सेफ़गार्ड्स को उभरती प्रोक्योरमेंट और कंप्लायंस श्रेणी मानें। रीज़न-एक्सट्रैक्शन डिफ़ेंस, साइबर टियर्स और अकाउंट-बाउंड रीज़निंग एंटरप्राइज़ मॉडल एक्सेस की अलग पहचान बनती विशेषताएं हैं। Anthropic हो या न हो, इन पर अनुबंध-स्तरीय सवालों की अपेक्षा रखें।

1. एजेंटिक-कोडिंग अर्थशास्त्र तुरंत फिर बेसलाइन करें। Sonnet 5 पर पिन की गई टीमें जिन्होंने मान लिया था कि उनका टर्मिनल-बेंचमार्क बेसलाइन लगभग शून्य है, पा सकती हैं कि उनकी एजेंटिक पाइपलाइनें पहली बार मिड-टियर पर बिना निगरानी चल सकती हैं। Zapier का स्वतंत्र लीडरबोर्ड Sonnet 5.5 को एंड-टू-एंड SaaS ऑपरेशंस पर $1.14/टास्क में 44.75% पर रखता है — यह उस वर्कफ़्लो श्रेणी के लिए ठोस, कीमत-युक्त, तीसरे पक्ष से मापा गया यूनिट इकोनॉमिक्स है जो पहले ऑटोमेट नहीं थी।
2. effort-टियर्ड राउटिंग को प्रोडक्ट फ़ीचर बनाएं। चूंकि एक ही मॉडल effort स्तरों पर प्रति-टास्क लागत में लगभग 18x फैला है, एक राउटिंग लेयर जो आसान टिकट low पर, सामान्य काम high पर, और केवल एस्केलेशन xhigh/max पर भेजती है, टिकाऊ मार्जिन रणनीति है। Artificial Analysis के आंकड़े ($0.41 / $1.08 / $2.74 / $7.67) प्राइस पॉइंट देते हैं।
3. डॉक्युमेंट और स्लाइड जनरेशन का बैच माइग्रेशन। GDPval-AA पर 1,844, $4/$20 फ़्लैगशिप के दो अंक के भीतर है, आधी प्रति-टोकन दर पर, और Batch उसे फिर आधा करके $1/$5 कर देता है। हाई-वॉल्यूम डॉक्युमेंट पाइपलाइनों के लिए, Opus 5.5 की सीमांत क्वालिटी स्पष्ट रूप से उसकी सीमांत लागत के लायक नहीं है।
4. कैश्ड छोटे-प्रीफ़िक्स आर्किटेक्चर व्यवहार्य होते हैं। 512-टोकन कैश सीमा का अर्थ है कि छोटे सिस्टम प्रॉम्प्ट अब 5-मिनट कैश में $0.20/MTok रीड पर बैठ सकते हैं, $2.00 बेस के मुक़ाबले — उस प्रीफ़िक्स श्रेणी पर 10x रीड छूट जो पहले कैश करने लायक छोटी ही थी।
5. सुरक्षा टूलिंग के लिए रिग्रेशन-टेस्टेड सेफ़गार्ड राउटिंग। Sonnet 5.5 ज़्यादा श्रेणियों में मना करता है पर "cyber" और "frontier_llm" पर फ़ॉलबैक करता है। जो टीमें फ़ॉलबैक राउटिंग को इंस्ट्रुमेंट करती हैं, उन्हें "हमारी सुरक्षा रिक्वेस्ट का कितना हिस्सा कमज़ोर मॉडल पर चला" का मापनीय, रिपोर्ट योग्य जवाब मिलता है — जो AI Tools Police के सिस्टम कार्ड पढ़ने के अनुसार कोडिंग संदर्भों में कम नहीं है।
6. effort चुनने पर पेशेवर अपस्किलिंग। पांच स्तर, एक रीकैलिब्रेटेड कर्व, और एक डॉक्युमेंटेड कॉस्ट/क्वालिटी फ्रंटियर सिखाई जा सकने वाली ऑपरेशनल स्किल है। ज़्यादातर टीमों को बेहतर दर पर मोल-भाव करने से ज़्यादा इससे मिलेगा कि इंजीनियर्स को effort अच्छी तरह चुनना सिखाया जाए।

VERIFY — 30% या 30% में से किसी पर भी विश्वास करने से पहले Sonnet 5.5 की तुलना Sonnet 5 से अपने वर्कलोड पर, नियंत्रित effort पर करें।

सबसे उपयोगी प्रयोग छोटा है और एक दिन से कम में हो जाता है:

1. अपने प्रोडक्शन वर्कलोड से 30-50 प्रतिनिधि असली टास्क चुनें, खिलौना प्रॉम्प्ट नहीं।
2. हर एक को दोनों मॉडल्स पर मिले हुए effort पर चलाएं। Sonnet 5.5 high पर (API डिफ़ॉल्ट) बनाम Sonnet 5 अपने डिफ़ॉल्ट पर। अगर हेडलाइन टेस्ट करना है, तो Sonnet 5.5 को low, medium और high पर चलाएं — max पर नहीं।
3. टोकन इन, टोकन आउट, आउटपुट सेकंड, वॉल-क्लॉक और प्रति-टास्क लागत दर्ज करें। टोकन आउट वही तंत्र है जिस पर 30% का दावा टिका है; इसे बिल से अनुमान लगाने के बजाय सीधे मापें।
4. क्वालिटी को किसी ऐसी चीज़ से स्कोर करें जिस पर आपको पहले से भरोसा है — आपका मौजूदा इवैल सूट, मानवीय समीक्षा, या असली पुल रिक्वेस्ट पर मर्ज दर। Cognition का FrontierCode मर्जेबिलिटी फ़्रेमिंग अच्छा मॉडल है: क्या कोई मेंटेनर वास्तव में इसे मर्ज करेगा?
5. अनुपात रिपोर्ट करें, निरपेक्ष नहीं। अगर आप कम वॉल्यूम पर Sonnet 5 पर हैं और लागत आपकी समस्या नहीं है, तो क्वालिटी की छलांग अकेले ही बदलाव को सही ठहराती है, बचत की परवाह किए बिना।

यह सीधे उन दो दावों को टेस्ट करता है जो मायने रखते हैं और अब भी अनसत्यापित हैं: क्या आपके ट्रैफ़िक पर आउटपुट स्पीड वास्तव में लगभग दोगुनी होती है, और क्या आपके टास्क पर टोकन संख्या वास्तव में ~30% गिरती है। DataCamp का एक-टास्क परिणाम ($0.56 बनाम $0.57, तेज़, बेहतर आउटपुट) ईमानदार प्रायर है — असली क्वालिटी लाभ की अपेक्षा रखें और बहुत कम निश्चित लागत लाभ की।

इस सब से पहले, छह-बिंदु माइग्रेशन चेकलिस्ट एक ब्रांच पर पूरी करें।

FACT / पहले से निर्धारित।

• Claude Haiku 5.5 — लॉन्च पोस्ट में "in the coming weeks" का वादा। इस रिसर्च (2026-10-04) तक यह रिलीज़ नहीं हुआ था। यह हाई-वॉल्यूम, लागत-संवेदनशील टियर है और वही टुकड़ा है जो फ़ैमिली पूरी करता है।
• विस्तारित Cyber Verification Program — "soon", लॉन्च पोस्ट और सिस्टम कार्ड ("in the near future") दोनों के अनुसार। खुला बग anthropics/claude-code#97946 गैप ट्रैक करता है।
• माइग्रेशन ऑटोमेशन — Claude Code में ऑटोमेटेड मॉडल-ID और पैरामीटर माइग्रेशन के लिए /claude-api migrate।
• एक्सटेंडेड-आउटपुट बीटा (Extended-output beta) — Message Batches API पर output-300k-2026-03-24 के ज़रिए 300K आउटपुट टोकन तक।
• मांग पर कम्पैक्शन (Compaction on demand) — compact-2026-09-04 बीटा, ठीक इसलिए प्रासंगिक कि Sonnet 5.5 थिंकिंग ब्लॉक कन्वर्सेशन से बंधे हैं।

PREDICTION (स्पष्ट रूप से लेबल, एविडेंस नहीं)।

• स्वतंत्र स्पीड मापन दिशा की पुष्टि करेंगे और संभवतः 30% से आगे निकलेंगे, क्योंकि Artificial Analysis पहले ही ~60% दिखाता है। अपेक्षा रखें कि शुरुआती प्रकाशित आंकड़े effort और हार्नेस के अनुसार 40% से 70% के बीच क्लस्टर करेंगे।
• पहली गंभीर लागत कहानी उन टीमों से आएगी जिन्होंने high चलाया और अपने टोकन मापे। अपेक्षा रखें कि high पर 20% से 40% के बीच बचत रिपोर्ट हो, टोकन-भारी टास्क पर medium पर लगभग शून्य, और max पर नकारात्मक। "30%" हेडलाइन एक रेंज के रूप में टिकेगी, एक बिंदु के रूप में नहीं।
• Terminal-Bench पब्लिक लीडरबोर्ड भरेंगे। अपेक्षा रखें कि Sonnet 5.5 के स्वतंत्र स्कोर 70.6% के बजाय high-50s से mid-60s में हों, और यह कि Opus 5.5 तुलना बराबर effort पर चलने के बाद Anthropic की 4.2-अंक टेबल से ज़्यादा नज़दीक होगी।
• max-effort लागत उलटफेर — Sonnet 5.5 का प्रति टास्क Opus 5.5 से महंगा होना — हफ़्तों में व्यापक रूप से रिपोर्ट होगा और लॉन्च आंकड़ों के साथ उद्धृत होने वाला मानक कैविएट बन जाएगा।
• CVP शिकायतें प्रोग्राम बढ़ने तक बनी रहेंगी, और मिड-टियर पर टियर्ड साइबर एक्सेस का दबाव एक स्थायी प्रोक्योरमेंट आवश्यकता बन जाएगा।
• Sonnet 5 कुछ समय तक फ़ॉलबैक लक्ष्य के रूप में उपलब्ध रहेगा, जो सुविधाजनक रूप से A/B रास्ता बनाए रखता है — पर इसका यह भी अर्थ है कि फ़्लैग की गई रिक्वेस्ट पर क्वालिटी चुपचाप गिरती है।

FACT — 2026-10-04 तक सत्यापन स्थिति। Zapier का AutomationBench लीडरबोर्ड 1.0.6 अब Claude Sonnet 5.5 (default fallbacks, Max) को $1.14/टास्क पर 44.75% पर सूचीबद्ध करता है। Cognition का FrontierCode चेंजलॉग दिखाता है कि Sonnet 5.5 2026-09-28 को जोड़ा गया और GPT-6.1 Sol 2026-09-29 को जोड़ा गया। Artificial Analysis अब Sonnet 5.5 के लिए स्पीड आंकड़ा रखता है जो लॉन्च दिन अनुपस्थित था।

हेडलाइन दो-तिहाई सही है, और ग़लत तिहाई वही हिस्सा है जिस पर आपका बिल टिका है।

Claude Sonnet 5.5 एजेंटिक काम पर Sonnet 5 से असली बड़ा कदम है, और स्पीड का दावा अब स्वतंत्र रूप से सत्यापित है — Artificial Analysis 132.2 आउटपुट टोकन प्रति सेकंड मापता है, Sonnet 5 के 82.4 के मुक़ाबले, यानी Anthropic के रूढ़िवादी "30%+ तेज़" से लगभग दोगुना। Terminal-Bench की छलांग की पुष्टि दिशा में दूसरे हार्नेस से होती है और नीचे वाले Sonnet 5 बेसलाइन की पुष्टि दो और स्वतंत्र स्रोतों से होती है, इसलिए टर्मिनल एजेंटिक क्षमता में 60 अंकों का सुधार असली है, भले ही 70.6% Anthropic के अपने हार्नेस की बात हो।

लागत का दावा वह जगह है जहां कहानी को सावधानी चाहिए। प्रति-टोकन कीमत नहीं हिली — $2 और $10, Sonnet 5 जैसी ही। पूरी बचत टोकन एफ़िशिएंसी के वादे पर है, और Anthropic इसे दो बार क्वालिफ़ाई करता है ("up to", "for most work") — अच्छी वजह से। Artificial Analysis के Index पर स्वतंत्र अंकगणित: high पर प्रति टास्क लगभग 40% सस्ता, medium पर लगभग 41%, low पर लगभग 19%, xhigh पर लगभग 5% — और max पर लगभग 51% महंगा। DataCamp के हैंड्स-ऑन बिल्ड में कोई लागत अंतर नहीं मिला ($0.56 बनाम $0.57), साथ में स्पष्ट क्वालिटी जीत। बचत रेंज के मध्य में असली है और दोनों सिरों पर गायब।

दो चीज़ें दोनों हेडलाइन्स से ज़्यादा महत्वपूर्ण हैं। पहली, लॉन्च टेबल के आंकड़े max-effort आंकड़े हैं, और कम से कम एक स्वतंत्र बेंचमार्क पर max रेंज में सबसे ख़राब वैल्यू है — Cognition का FrontierCode Sonnet 5.5 को max पर xhigh से कम स्कोर देता है, प्रति रोलआउट लगभग तेरह गुना लागत पर। जो टीमें बेंचमार्क टेबल पर अपनाकर ऊंची effort सेटिंग डिफ़ॉल्ट करेंगी, उन्हें वह अर्थशास्त्र नहीं मिलेगा जो घोषणा का संकेत है।

दूसरी, रिलीज़ में पांच 400-एरर ब्रेकिंग चेंज और एक साइलेंट रिस्पॉन्स-शेप चेंज है, और उनमें से एक नाम बदलना बिल्कुल नहीं है। between_tools असली नया थिंकिंग मोड है — अप-फ़्रंट रीज़निंग बंद, टूल कॉल्स के बीच प्रोग्रेस अपडेट चालू — कठोर सीमाओं के साथ: यह केवल low/medium/high पर काम करता है, display या budget_tokens फ़ील्ड के साथ नहीं जोड़ा जा सकता, और कन्वर्सेशन के पूरे जीवन के लिए effort फ़्रीज़ कर देता है। यह केवल उस कोड के लिए अनिवार्य है जो स्पष्ट रूप से disabled भेजता है, पर व्यापक बदलाव बड़ा है: हिस्ट्री अब अपेंड-ओनली होनी चाहिए, जो 2026-08-31 UTC को या उसके बाद बने अकाउंट्स पर डिफ़ॉल्ट रूप से लागू है।

और इस सब के नीचे एक शांत धागा चलता है। यह साइबर सेफ़गार्ड्स और रीज़निंग-एक्सट्रैक्शन क्लासिफ़ायर के साथ आने वाला पहला Sonnet है। Anthropic का अपना सेफ़्टी कार्ड कथित रूप से दिखाता है कि Sonnet 5.5 दुर्भावनापूर्ण रिक्वेस्ट कम बार अस्वीकार करता है Sonnet 5 से (Claude Code में 85.2% बनाम 87.9%), जबकि भुगतान वाले Cyber Verification Program के अधिकृत डिफ़ेंडर्स अभी दोनों नए फ़्लैगशिप मॉडल्स में से कोई इस्तेमाल नहीं कर सकते। सेफ़गार्ड्स असली हैं; वह रगड़ भी असली है जो वे पैदा करते हैं, और वह असमान रूप से पड़ती है।

पाठक के लिए सही सार: एक तेज़, सस्ता, बहुत ज़्यादा सक्षम मिड-टियर मॉडल, जिसके साथ अनिवार्य माइग्रेशन है, एक हेडलाइन लागत बचत जो केवल उसकी effort रेंज के मध्य में है, और एक सेफ़्टी परिधि जो उस एक्सेस प्रोग्राम से एक कदम आगे आई जिसे उन लोगों की सेवा करनी थी जिन्हें वह असुविधा देती है। माइग्रेट करें, effort जानबूझकर सेट करें, और संख्या पर विश्वास करने से पहले अपने टोकन खुद मापें।