Anthropic 两周内再发新模型，OSWorld 得分 72.5
2 月 17 日晚，Anthropic 发布 Claude Sonnet 4.6，距 Claude Opus 4.6 上线不到两周。官方把它定位为目前能力最强的 Sonnet，升级覆盖编程、计算机使用、长上下文推理、智能体规划、知识型工作和设计几个方向。测试阶段开放 100 万 token 的上下文窗口。
OSWorld 拿到 72.5
计算机使用是这次变化最直观的一项。OSWorld 是评测 AI 操作电脑的基准，环境里装的是 Chrome、LibreOffice、VS Code 这类真实软件，几百项任务，不给专用 API，也不给定制连接器。模型看到的是一台机器，靠点击虚拟鼠标、敲虚拟键盘把活干完。
Claude Sonnet 4.6 在这个基准上拿到 72.5，已经接近 Opus 4.6 的水平。Anthropic 从 2024 年 10 月推出通用计算机使用模型算起，Sonnet 系列在 OSWorld 上的分数一直在往上走，两年时间里从能点开菜单走到能处理多步骤流程。
早期用户的反馈集中在几类活上：复杂表格处理、多步骤表单填写、跨标签页的信息整合。有使用方说这些任务已经接近人类水平，但离最熟练的人还有距离。这是用户侧的说法，不是官方评测结论。同一篇首发文章还对比了 Sonnet 4.6 与 Opus 4.6 生成 SVG 的效果，两者差距不算大。
上下文窗口与版本间隔
100 万 token 的上下文目前处于测试阶段，正式开放时间没有公布。对做长文档处理和代码库级任务的团队来说，这一项比跑分更实际，因为它决定模型能不能一次性读完整个仓库或者整套合同。
发布节奏也变紧了。Opus 4.6 之后不到两周就推出 Sonnet 4.6，两个版本挨得这么近，Sonnet 这条线承担的是走量任务。原文标题用了“最具性价比”的说法，但公开材料里没有给出具体定价，这里不做推算。
Sonnet 4.6 把计算机使用的分数推到 72.5 之后，Opus 与 Sonnet 之间还剩多少实质差距，大概要等第三方在真实工作流里跑一轮才能看清。
来源