Sonnet 5.5

Artículo original ↗ Discusión en Hacker News ↗

El lanzamiento de Claude Sonnet 5.5 por parte de Anthropic se percibe como un gran salto en capacidades de coding y “agentic”, a menudo igualando o casi igualando al buque insignia Opus 5.5 en benchmarks mientras es más barato en niveles bajos de razonamiento. Los comentaristas están divididos sobre su valor práctico, señalando que en niveles de esfuerzo altos el coste de Sonnet se acerca o supera al de Opus y que modelos chinos ultrabaratos (GLM, DeepSeek, MiMo) y Luna de OpenAI rebajan a ambos en precio para muchas cargas de trabajo. Gran parte del debate gira en torno a dónde encaja Sonnet en un panorama de modelos cada vez más abarrotado, la frustración continua con los agresivos guardrails de seguridad cibernética de Anthropic, y preocupaciones más amplias sobre cómo los agentes de coding cada vez más capaces afectan la calidad del software, los roles de desarrollo y la dinámica económica a largo plazo.

Rendimiento del modelo y benchmarks

  • Muchos ven Sonnet 5.5 como aproximadamente a la par con Opus 5.5 para coding agéntico: fuertes puntuaciones en Terminal-Bench, FrontierCode y CursorBench; a veces ligeramente por delante, a veces por detrás.
  • Algunos sostienen que los benchmarks están “benchmaxxed” y sobreenfatizan tareas específicas; otros señalan benchmarks externos de la comunidad (juego Pac-Man, ArtificialAnalysis) que muestran a Sonnet 5.5 muy cerca de Opus 5.5 en esfuerzo máximo.
  • La diferencia en Terminal-Bench se atribuye en parte a menos fallbacks activados por seguridad en Sonnet que en Opus, lo que plantea dudas sobre cómo los guardrails sesgan las puntuaciones.

Coste, precios y posicionamiento

  • Queja repetida: en esfuerzo alto/xhigh/max, Sonnet 5.5 a menudo cuesta parecido o más que Opus low/medium para resultados similares o mejores; varios preguntan por qué existe Sonnet en esa parte de la curva.
  • En esfuerzo low/medium, Sonnet 5.5 parece ~30% más barato y rápido que Sonnet 5 y más barato que Opus, lo que algunos ven como su verdadera нишa.
  • Muchos lo comparan desfavorablemente con modelos más baratos (OpenAI Luna, modelos chinos como DeepSeek/GLM/MiMo), argumentando que Anthropic está “10–100x” por detrás en $/velocidad para trabajo “suficientemente bueno”.
  • Se espera que el próximo Haiku 5.5 apunte al puesto de bajo coste y alto volumen, pero algunos creen que ya está “DOA” salvo que tenga un precio cercano al de Luna.

Casos de uso y patrones de harness

  • Patrón común propuesto: usar Opus/Fable como orquestador y Sonnet como subagentes para trabajo pesado (resúmenes, refactors, web scraping) para ahorrar tokens y aumentar el paralelismo.
  • Otros dicen que la sobrecarga de los subagentes y los cache misses pueden anular los ahorros; algunos simplemente usan Opus para todo bajo suscripciones.
  • Se sugiere Sonnet 5.5 para llamadas a la API del lado de producto (parsear texto de usuario, tareas simples) más que para harnesses de desarrollo pesados donde dominan Opus o los modelos abiertos.

Seguridad, guardrails de ciberseguridad y CVP

  • Fuerte frustración con las salvaguardas “cyber”: trabajo de seguridad autorizado, código antiguo en C/C++, Bluetooth, WALs, compiladores, etc. activan rutinariamente degradaciones a modelos anteriores.
  • Varios dicen que el Cyber Verification Program no relaja los guardrails de manera significativa y que principalmente afecta la aplicación posterior, no el bloqueo en vivo.
  • Algunos sostienen que la postura de seguridad de Anthropic socava escribir código seguro y empuja a los usuarios hacia modelos abiertos/chinos sin censura.

Comportamiento del modelo y UX

  • Sonnet 5 se describe ampliamente como de mal valor (verboso, pedante, más débil que los modelos abiertos); 5.5 se percibe como una mejora sustancial, más rápido y equilibrado, pero aún por debajo de Fable en “sensación” para algunos.
  • Quejas sobre razonamiento excesivamente largo en esfuerzo máximo y enorme consumo de tokens; elogios por la velocidad en esfuerzos bajos.
  • Los gráficos de marketing de Anthropic son criticados por confusos o desfavorables para Sonnet frente a Opus; se señala la omisión de benchmarks de Fable.

Modelos chinos y pequeños frente a laboratorios frontier

  • Muchos informan excelente relación coste/rendimiento de GLM 5.3 Flash, DeepSeek v4.1 Flash, Qwen, MiMo, especialmente para tareas cyber y “trabajo pesado”.
  • Debate sobre si los modelos chinos están realmente cerca de la calidad frontier o solo son de “valor decente”; algunos los ven a 6–12 meses de distancia, pero económicamente decisivos, otros dicen que los modelos frontier siguen siendo claramente mejores.

IA, trabajo y preocupaciones existenciales

  • Subhilo extenso sobre “vibe coding”: dejar que los agentes generen la mayor parte del código frente a que los humanos mantengan una comprensión profunda.
  • Algunos abrazan enjambres de agentes en paralelo y aceptan menos comprensión; otros temen sistemas inmantenibles y la pérdida de agencia humana y sentido en el trabajo.
  • Preocupaciones más amplias sobre supresión salarial, resultados en forma de K y lidiar con la incertidumbre impulsada por la IA; contrarrestadas por argumentos de que entender dominios del problema y estructuras de datos sigue importando y limita el “vibe coding” puro.

Bugs, pelícanos y cultura de benchmarks

  • La prueba recurrente del SVG “pelican on a bicycle” muestra que Sonnet 5.5 en esfuerzo máximo alcanza un límite de 128k tokens de salida y falla al responder, destacando un bug práctico; los esfuerzos más bajos funcionan bien y son baratos.
  • Algunos consideran esta prueba recurrente demasiado expuesta; otros la ven como una tradición de benchmark útil, visual y reveladora de costes.