Claude Sonnet 4.6: новый лидер в экономическом бенчмарке GDPval-AA
Оценка экономической целесообразности применения модели в типовых задачах офисных специалистов.
Claude Sonnet 4.6 является новым лидером в GDPval-AA, немного опережая Opus 4.6 от Anthropic по агентному выполнению реальных задач работы с знаниями менее чем через две недели после его запуска.
В нашем предварительном тестировании с @AnthropicAI Sonnet 4.6 достиг ELO 1633 с использованием режима адаптивного мышления и конфигураций максимальных усилий, которые были представлены в Opus 4.6.
Это представляет собой существенное улучшение по сравнению с Sonnet 4.5 с ожидаемым процентом побед более 85% для последней модели. Для достижения этого результата Sonnet 4.6 использовал более чем в 4 раза больше токенов, чем его предшественник: с 58 миллионов токенов, используемых в Sonnet 4.5 с расширенным мышлением, до 280 миллионов в Sonnet 4.6 с адаптивным мышлением. Для сравнения, Opus 4.6 с эквивалентными настройками использовал 160 миллионов токенов, что примерно на 40% меньше.
Подробное описание и примеры результатов нашего тестирования Sonnet 4.6 см. ниже.
В настоящее время мы проводим тесты индекса искусственного анализа интеллекта для прогресса Claude Sonnet 4.6 — мы поделимся обновленной информацией о производительности модели, когда они будут завершены.
GDPval-AA — это наш основной показатель общей производительности агентов, измеряющий производительность моделей при выполнении задач информационной работы, от подготовки презентаций и анализа данных до редактирования видео. Модели используют доступ к оболочке и просмотр веб-страниц в агентном цикле через Stirrup, нашу агентную справочную систему с открытым исходным кодом.
Базовый набор данных GDPval был выпущен OpenAI в сентябре 2025 года для сбора автономных рабочих задач по 44 профессиям в 9 различных секторах. Он дает представление о типах задач, которые модели могут решать и которые актуальны для современной рабочей силы, и является очень реалистичным благодаря экспертной фильтрации и курированию команды OpenAI.
Ознакомьтесь с дополнительным анализом этой модели на X: Ознакомьтесь с полным набором тестов на
