anthropic
Anthropic: Claude Sonnet 5.5
anthropic/claude-sonnet-5.5
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Claude Sonnet 5.5 de Anthropic (anthropic/claude-sonnet-5.5) es un modelo de clase Sonnet con salida de texto que el catálogo de OpenRouter presenta como sucesor directo de Claude Sonnet 5 para trabajos cotidianos bien delimitados. El catálogo indica entradas de texto, imagen y archivo, una ventana de contexto de un millón de tokens, razonamiento obligatorio con nivel de esfuerzo configurable y soporte para herramientas y salidas estructuradas. Los registros de Design Arena recogidos por OpenRouter cubren tareas agénticas y generativas. En este paquete de fuentes no había una ficha de modelo independiente, por lo que las afirmaciones se basan en datos del catálogo.[1]
Puntos fuertes
- Según la descripción del catálogo de OpenRouter, Anthropic lo presenta como especialmente sólido para crear funciones y corregir errores, enmarcado como una mejora directa sobre Claude Sonnet 5.[1]
- Las capacidades reportadas por el catálogo incluyen una ventana de contexto de 1.000.000 de tokens y entrada multimodal de texto, imágenes y archivos con salida de texto.[1]
- Las funciones de API listadas por OpenRouter incluyen razonamiento obligatorio con niveles de esfuerzo seleccionables, llamadas a herramientas y salidas estructuradas.[1]
Limitaciones
- Toda la evidencia procede del catálogo de OpenRouter; este paquete de fuentes no incluía una ficha de modelo independiente, por lo que las capacidades y los resultados deben validarse en cargas de trabajo reales.[1]
- El catálogo marca el razonamiento como obligatorio, lo que podría aumentar la latencia y el uso de tokens frente a modos sin razonamiento; esta implicación se infiere, no está medida.[1]
- La fecha de corte de conocimiento, los términos de licencia y los requisitos de hardware no aparecen en la evidencia.[1]
Dónde utilizarlo
- Sugerencia editorial: desarrollo de funciones y corrección de errores en bases de código existentes, acorde con las fortalezas descritas por el proveedor según OpenRouter.[1]
- Sugerencia editorial: tareas de codificación agénticas u orientadas al diseño, como generación de video a partir de código o componentes de interfaz, donde existen registros de Design Arena en el catálogo; valide en su carga de trabajo.[1]
- Sugerencia editorial: flujos de trabajo con documentos o imágenes que requieran contexto muy largo, dadas las modalidades de entrada y la ventana de contexto catalogadas.[1]
Fuentes
- [1] OpenRouter catalog · Anthropic: Claude Sonnet 5.5Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Claude Sonnet 5.5 is Anthropic's Sonnet-class model for well-scoped everyday work, succeeding Claude Sonnet 5 as a direct upgrade. It is especially strong at building features, fixing bugs, and producing...
Especificaciones
- ID del modelo
- anthropic/claude-sonnet-5.5
- ID canónico
- anthropic/claude-sonnet-5.5-20260928
- Creador
- anthropic
- Añadido a OpenRouter
- 28.09.2026
- Longitud de contexto
- 1,000,000
- Modalidad
- text+image+file->text
- Modalidades de entrada
- text, image, file
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $2 / salida $10
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | SS — 10% superior de la cohorte | razonamiento: obligatorio · predeterminado high · esfuerzos: max, xhigh, high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: obligatorio · predeterminado high · esfuerzos: max, xhigh, high, medium, low · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | entrada: file |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 54.5 | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · androidnativetasa de victoria 58.6% · posición 6 | 1,260Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · blender3dtasa de victoria 59.9% · posición 3 | 1,268Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · codetovideotasa de victoria 70.9% · posición 2 | 1,318Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 57.6% · posición 5 | 1,261Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · pdftasa de victoria 59.1% · posición 9 | 1,238Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · spreadsheettasa de victoria 53.6% · posición 7 | 1,287Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 58.5% · posición 4 | 1,284Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 54.7% · posición 7 | 1,402Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 56% · posición 8 | 1,347Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 64.3% · posición 3 | 1,360Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 59.9% · posición 6 | 1,391Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 56.7% · posición 6 | 1,303Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 64.8% · posición 2 | 1,387Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 53.6% · posición 10 | 1,311Elo | SS — 10% superior de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| 1,000,000 | $2 | $10 | — | — | 100% | |
| Amazon Bedrock | 1,000,000 | $2 | $10 | — | — | 100% |
| Azure | 1,000,000 | $2 | $10 | — | — | 100% |
| Claude Platform on AWS | 1,000,000 | $2 | $10 | — | — | 100% |
| Anthropic | 1,000,000 | $2 | $10 | — | — | 100% |
| Amazon Bedrock | 1,000,000 | $2.2 | $11 | — | — | 100% |
| Amazon Bedrock | 1,000,000 | $2.2 | $11 | — | — | 100% |
| 1,000,000 | $2.2 | $11 | — | — | — | |
| Azure | 1,000,000 | $2.2 | $11 | — | — | — |
| 1,000,000 | $2.2 | $11 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
- AWS muestra cómo limitar las búsquedas de un agente de IA a los permisos de cada usuario en Managed Knowledge Base de BedrockUn tutorial construye un asistente interno compartido en Amazon Bedrock AgentCore donde un interceptor de solicitudes, políticas Cedar, ACL awareness y una política basada en recursos mantienen las búsquedas de cada usuario dentro de los documentos que puede ver.
- Las API por lotes de los LLM reducen el precio a la mitad, pero solo para el tráfico que puede esperarUn blog de modelado de costes explica cómo los descuentos por lotes solo aplican a llamadas aplazables, por qué lote y caché se acumulan multiplicativamente, el error de facturación que esto causó y por qué bajar de nivel de modelo suele ahorrar más.
- Google DeepMind y Artificial Analysis presentan MKA, una evaluación de agentes con evidencia visualMKA es una evaluación de 200 tareas que mide si los agentes de IA pueden extraer evidencia decisiva de planos, escaneos y gráficos y convertirla en entregables profesionales.
- Gemini 4 Carbon pasa a estar disponible para el público general con precios de lanzamientoSimon Willison informa de que Gemini 4 Carbon de Google, antes limitado a un subconjunto de ciberdefensores, ya está disponible para todos, con unos precios de lanzamiento que se duplicarán el 1 de diciembre.