Claude Sonnet 5

Claude Sonnet 5 udkom 24. juni 2026 og er Anthropics arbejdshest til produktion. Sonnet-klassen har altid ligget mellem de små, hurtige modeller og de tunge topmodeller. Denne udgave rykker grænsen opad: Anthropic beskriver den som at ramme det, der tidligere var Opus-niveau, på mange kodnings- og agentopgaver, til under en tredjedel af prisen.

Det gør den til et default-valg frem for et specialvalg. Prisen på 0,003 USD per 1K input-tokens og 0,015 USD per 1K output-tokens er lav nok til, at du kan køre den bredt i en pipeline uden at rationere kald.

Kontekstvinduet på 1.000.000 tokens flytter arbejdet fra at klippe input i stykker til at aflevere hele materialet. Store kodebaser, lange sagsakter og samlinger af rapporter kan gå ind i ét kald. Parameterstørrelse og træningsdata er ikke offentliggjort.

Modellen har færre knapper end sine forgængere. Manuel thinking-budgettering er væk, og sampling-parametre som temperature afvises i stedet for at blive ignoreret. Du styrer altså adfærden gennem effort-niveau og gennem selve din prompt.

Det er enklere at komme i gang med, men det bider ved migrering. Sender din eksisterende kode temperature eller top_p med, fejler kaldene, indtil du rydder op i klienten. Regn med en runde oprydning i wrappers og biblioteker, før noget som helst kører.

Den nye tokenizer er den anden ting, der overrasker. Samme tekst bliver til cirka 30 procent flere tokens end i Sonnet 4.6, så en direkte sammenligning af priser per 1K tokens undervurderer den reelle regning. Mål på dine egne dokumenter frem for at regne baglæns fra prislisten.

Det store kontekstvindue er en mulighed, ikke en anbefaling. Fylder du en million tokens ind ved hvert kald, betaler du for det hver gang, og svartiden stiger. En velbygget RAG-opsætning er stadig billigere og ofte mere præcis, når du kun har brug for få afsnit ad gangen.

Til simpel klassifikation, routing og feltudtræk i høj volumen er en Haiku-model det rigtige valg. Sonnet 5 løser opgaven, men du betaler for kapacitet, opgaven ikke bruger.

Bliv på Sonnet 4.6, hvis din opsætning bygger på manuel thinking-budgettering eller på finjustering af sampling. Det gælder især evalueringsopsætninger, hvor du har kalibreret temperature over tid. Er dine tekster lange og dine marginer små, kan tokenizer-ændringen også gøre den nye model dyrere i drift uden en kvalitetsgevinst, du kan måle.

Til de allersværeste opgaver, hvor et enkelt forkert svar koster mere end hele API-regningen, er en Opus-model stadig det sikre valg. Og har du data, der ikke må forlade huset, er en model, du selv hoster, det eneste reelle alternativ, uanset hvad benchmarks siger.