一、引言：3.5 家族的开路先锋#

2024 年 6 月 20 日，GPT-4o 才发布不到两个月，Claude 3.5 Sonnet 就以中档身份出场，直接宣布”在广泛评测上超越竞品模型和 Claude 3 Opus”——官方原话，一点不谦虚。

价格没变，还是 $3/$15，200K 上下文。但智能跳了一级，速度还翻了一倍。这等于在告诉市场：Anthropic 这一代不做”更贵的旗舰”，而是把智能整体往下送。三个月后的十月升级版进一步把编程和 agentic 能力再推一轮，顺手带出了 Computer Use——那是当年 AI 圈最激进的一次公开动作。

二、能力与数据拆解：越级怎么打#

先看六月首发的硬数据：

全项反超旗舰，其中 GPQA 直接干到 59.4%（GPT-4 才 35.7）。更关键的是速度：官方口径是 Opus 3 的两倍——同等智能、两倍速度、三分之一的价格，这个组合当时市面上没人接得住。

agentic 编码评测。 这是 3.5 Sonnet 最值得盯的一项：在内部 agentic coding 评测里，它解决 64% 的问题，Opus 3 只有 38%。评测内容不是写几行函数，而是”给一个开源代码库的自然语言描述，让它自己修 bug 或加功能”。64% vs 38% 说明这代模型的差距不在背知识，而在能不能独立干活。

十月升级版。 2024-10-22 补了一刀，方向全在 agent 上：SWE-bench Verified 从 33.4% 提到 49.0%（当时超过所有公开模型），TAU-bench 零售 62.6%→69.2%、航空 36.0%→46.0%。SWE-bench 测的是”解决真实 GitHub issue”，TAU-bench 测的是”跟用户和工具多轮打交道”——两项都踩在 Agent 时代的命门上。

三、关键技术创新：Artifacts 和 Computer Use#

3.5 Sonnet 的技术核心不是单个 benchmark 的跃迁，而是两个产品级创新。

Artifacts。 六月首发，让模型生成的内容不只是一段对话文字，而是一个可交互的面板——代码、文档、图表、网页都在旁边的窗口里实时生成、随时编辑。Claude 从”聊天机器人”第一次变成了”工作台”。这个功能后来一路演变成 Claude 的”Projects”体系，今天人人熟悉的”AI 产出物就地编辑”体验，源头就是 Artifacts。

Computer Use（计算机使用）。 十月升级同日发布，业界第一个公开测试版。思路跟”给模型做特定工具”完全相反：不教 Claude 用某个 API，而是教它通用电脑技能——看截图、移动光标、点按钮、敲键盘，像人一样操作浏览器和桌面软件。官方承认动作还很笨（滚动、拖拽、缩放都费劲），但方向已经摊开。

在 OSWorld 基准上，纯截图模式得分 14.9%——此前最佳 AI 系统只有 7.8%，人类是 72.4%；如果步数给足，能到 22.0%。数字低是事实，但它是从”完全不会”到”会一点但很慢”的质变。

四、意义与影响：Agent 方向最激进的一步#

“中档越级”从此成为 Claude 的经典戏码。3.5 Sonnet 用价格证明了一件事：智能密度不是旗舰专属，中档模型可以在主力价格带上打出旗舰级体验。这直接动摇了”买 Opus 才安心”的心智，也让 Anthropic 的 API 生意从”卖贵模型”转向”卖性价比”。

Computer Use 的意义更深远。14.9% 的分数在今天看来低得可怜，但在 2024 年 10 月，它是AI 能直接操作电脑的首次公开产品化。OpenAI 的 Operator、Google 的 Project Mariner 都在几个月后跟进了同样的方向——不是它们想跟，是这条路被 Anthropic 先踩通了。从”AI 会说”到”AI 会做”，Computer Use 是把门踹开的那一脚。

收尾：我的一点看法#

3.5 Sonnet 是那种”数据很漂亮，但漂亮得不够劲爆”的发布——直到你意识到它是个中档模型。全项反超 Opus 3 这种事，正常公司不会让它发生（会影响旗舰销量），Anthropic 偏要这么干。事后看，这是很聪明的策略：用一场”越级”制造话题，用性价比换市场份额，再用下一代的 Opus 拉回高端心智。戏码不断重演，市场还就吃这套。

Computer Use 我持保留态度的乐观。14.9% 的分数意味着它在生产环境里基本干不了实事，但 Anthropic 愿意把”半成品”公开出来让开发者折腾，这在保守的 Anthropic 身上极其反常。它的价值不在分数，在于把 Agent 从演示拽进了真实浏览器——之后的 Agent 赛道爆发，起点就是这一天。

顺带说一句，Artifacts 才是被低估的那个。Computer Use 抢了头条，但 Artifacts 改变了每个 Claude 用户的日常交互方式。回头看，那是 Anthropic”从对话走向工作流”产品哲学的第一次完整表达。

附：核心数据速查#

Claude 3.5 Sonnet 基本盘

首发版 benchmark（官方）

• GPQA 59.4%；MMLU 88.7%；HumanEval 92.0%；MATH 71.1%；MMMU 68.3%
• agentic 编码评测：64%（Opus 3 为 38%）

升级版（2024-10-22）

• SWE-bench Verified：33.4% → 49.0%
• TAU-bench 零售：62.6% → 69.2%；航空：36.0% → 46.0%
• Computer Use（公开测试版）：OSWorld 14.9%（此前最佳 7.8%、人类 72.4%、步数给足 22.0%）

关键概念清单

• agentic coding = 让模型自主完成”读代码→改 bug→加功能”的闭环
• SWE-bench Verified = 用真实 GitHub issue 评测模型修代码能力的基准
• TAU-bench = 评测模型与用户/工具多轮交互的 agent 基准（零售、航空两域）
• OSWorld = 让 AI 像人一样操作电脑的桌面场景基准
• Artifacts = 模型生成的可在独立面板实时编辑的产出物（代码/文档/图表）
• Computer Use = 让模型看屏幕、移光标、点击、打字操作电脑的能力
• 越级 = 低档位模型性能反超高档位模型
• 脚手架（scaffolding）= 评测时额外搭建的提示与工具框架