OpenRouter · 2026年10月30日

快速概览：Opus、Sonnet 和 Haiku 有何差异？Opus 比 Sonnet 更好吗？Haiku 是否足以替代 Sonnet？我们的编程测试结果说明了什么？应该选哪一个？如何在它们之间切换？常见问题解答后续步骤

把 Claude Sonnet 5.5 作为默认模型，把 Claude Haiku 5.5 用于高并发和子智能体任务，当任务耗时长、需求模糊或出错代价高昂时，再使用 Claude Opus 5.5。

对大多数团队来说，真正要选的是 Opus 和 Sonnet，问题在于 Opus 是否值它每个 token 两倍于 Sonnet 的价格。在我们测试的编程任务上，答案是不值。我们让每个模型完成同样的 11 个带隐藏测试的编程任务，以及在 Claude Code 中完成同一个 bug 修复任务。所有模型全部通过，因此真正拉开差距的是成本。按每个任务计算，Haiku 比 Opus 便宜 19 到 30 倍，Sonnet 的成本则是 Opus 的一半到三分之二。

这些结果只说明三者在我们的任务上表现如何。要判断哪一个最适合你的工作流，唯一的方法是在你自己的工作上测试它们。Ori Eval 可以替你完成这件事。你只需问你的编程智能体哪个模型最适合你的项目，它就会在你的代码中寻找测试材料、编写评测、运行你想对比的模型，并给出推荐以及背后的分数、耗时和成本。下文关于切换的一节会说明如何让它同时指向三个层级。

快速概览

• 把 Claude Sonnet 5.5 作为默认模型。在我们运行的 GPQA Diamond 和 τ-bench 上，它的得分与 Opus 5.5 持平或更高，并通过了全部编程测试，而每 token 价格只有一半。
• 把 Haiku 5.5 用于高并发和子智能体任务。它同样通过了全部编程测试，成本只有 Sonnet 的十二分之一到十六分之一。
• 把 Opus 5.5 留给耗时长、需求模糊、出错代价高于 token 成本的任务。我们的短任务无法排除它在这类场景中的优势。
• 我们的任务不是你的任务。在决定之前，用 Ori Eval 在你自己的工作上测试这三者。
• 在 OpenRouter 上，三者只差一个模型字符串，Claude Code 可以为不同角色使用不同的模型。

Opus、Sonnet 和 Haiku 有何差异？

Opus 5.5、Sonnet 5.5 和 Haiku 5.5 是同一代模型的三个层级。Anthropic 于 2026 年 9 月 22 日发布 Opus 5.5，9 月 28 日发布 Sonnet 5.5，10 月 7 日发布 Haiku 5.5。三者都拥有 100 万 token 上下文窗口，并接受文本、图像和 PDF。它们的主要差异在于价格，以及 Haiku 较低的基准测试得分。

价格为我们在 2026 年 10 月 21 日的标价，来自 Opus 5.5、Sonnet 5.5 和 Haiku 5.5 的模型页面。基准测试行来自我们的 benchmarks 端点，于 10 月 21 日拉取（我们的运行时间为 10 月 17 日）。Artificial Analysis 智能指数是独立基准测试公司 Artificial Analysis 对 10 项评测的综合评分。T 表示万亿 token，来自我们的每日排名数据集。

Opus 比 Sonnet 更好吗？

在我们运行的基准测试中，Claude Opus 5.5 并未胜过 Claude Sonnet 5.5。在我们运行的 GPQA Diamond（一组 198 道研究生水平的科学题）中，Sonnet 得分更高（92.4% 对 90.4%）。在 τ-bench 航空（一个多轮客服智能体基准测试）中，它也得分更高（78.7% 对 75.5%）。Opus 在 Artificial Analysis 指数上领先 1.6 分。在我们这两项运行中，Sonnet 每任务成本都不到一半：每道 GPQA 题为 $0.025，而 Opus 为 $0.054；每个 τ-bench 任务为 $0.16，而 Opus 为 $0.34。

在 10 月 12 日那一周，Opus 5.5 在 OpenRouter 上的 token 量约为 Sonnet 的 2.5 倍。在大多数套餐中，Opus 也是 Claude Code 的默认模型；在我们的测试中，未设置模型时 Claude Code 通过 OpenRouter 使用的就是 Opus 5.5。如果你没有更改过模型，你正在运行的就是 Opus。

Haiku 是否足以替代 Sonnet？

对于定义清晰、常规性的工作，Haiku 5.5 可以替代 Sonnet。它在 τ-bench 航空上得分 76.0%，比 Opus 高半分，比 Sonnet 低 2.7 分，每任务成本 $0.011，约为 Sonnet 成本的十四分之一。我们的运行每个模型有 100 到 200 个任务，因此该基准上几分之差可能是噪声。在 GPQA Diamond 上，Haiku 落后 Sonnet 5.8 分；在 Artificial Analysis 指数上落后 12.6 分，该指数对智能体任务和通用知识各加权 30%，对编程和科学推理各加权 20%。在常规编程上，我们下文的测试未发现差距。

我们的编程测试结果说明了什么？

我们测试了两件事：按规格编写函数，以及用 Claude Code 修复一个代码库。两个测试中，三个模型都通过了每一项测试。

带隐藏测试的函数

我们编写了 11 个 Python 任务，每个任务都有一个隐藏测试文件。八个日常任务是：解析时长、合并区间、LRU 缓存、不用 eval 的算术求值器、cron 表达式的下次运行时间、自动换行、语义化版本排序，以及 JSON 路径读取器。三个困难任务是：不用 re 模块的正则引擎、带三值 NULL 逻辑的 SQL WHERE 过滤器，以及夏令时切换日跨时区的空闲日程时段。每个模型对每个日常任务作答两次，对每个困难任务作答三次，使用模型默认设置，每个模型共 25 次尝试。

Haiku 使用的推理最多，却仍最快完成困难任务。在困难任务上，它平均使用 3,202 个推理 token，而 Opus 为 1,252 个。推理 token 是模型在写出答案前用于思考问题的 token。即便推理更多，Haiku 每个困难任务成本也只有 Opus 的二十七分之一。

在 Claude Code 中修复 bug

我们给 Claude Code 一个小型发票库，其中有三个 bug 和五个测试。这三个 bug 分别是：使用银行家舍入（四舍六入五成双）的舍入问题；在引号内逗号处错误分割的 CSV 解析器；以及用覆盖而非累加数量来生成汇总的问题。我们通过 OpenRouter 为每个模型运行三次，用 ANTHROPIC_MODEL 环境变量选择模型。

一轮是会话中的一次模型响应。我们根据每次会话的 token 数量按我们的价格计算会话成本，因为 Claude Code 自身给出的数字对 Haiku 来说是错的。

Claude Code 自身的 total_cost_usd 字段无法识别我们的 Haiku slug，报告每次会话为 $0.16 到 $0.31，是我们计算出的中位数 $0.0052 的 30 到 60 倍。在打印模式（claude -p）下，Claude Code 在无法识别模型 slug 时会记录一条警告。我们通过 Haiku 发送一个单词的回复时又看到了它：Claude Code 报告 $0.107，而按我们的价格该请求成本约为 $0.002。

[claude-code:unrecognized_model] {"model":"anthropic/claude-haiku-5.5","query_source":"sdk"}

如果你通过 OpenRouter 运行 Claude Code，请改为在活动页面查看支出；如果需要设置上限，请使用我们的支出控制功能。

这些都是规模小、定义明确的任务。在这些任务上，三个层级同样可靠，成本却相差悬殊。它们并未覆盖 Anthropic 打造 Opus 所针对的工作，即长时间运行的智能体编程和知识工作——在这类工作中，出错的代价高于 token 成本。