Claude Sonnet 4.6 對上 SRE 工作更接近 Opus
Rootly 的 SRE benchmark 顯示，Claude Sonnet 4.6 在事故調查上已接近 Opus 4.6，且每百萬輸出 Token 成本低約 40%。
Rootly 的 benchmark 顯示，Claude Sonnet 4.6 在事故調查上已接近 Opus 4.6，還便宜不少。
Rootly 這次把 Claude Sonnet 4.6 丟進自家 SRE benchmark。結果很直接。它在根因分析上，已經貼近 Claude Opus 4.6。但成本少很多。
講白了，這不是單純比考卷分數。SRE 事故調查要看 logs、trace、cloud 設定，還要一路追 causal chain。模型如果只會答題，進到真實事故現場就會露餡。
更實際的是，Rootly 看到 Sonnet 4.6 在 agentic workflow 的表現，已經很有競爭力。對團隊來說，這種差距縮小，直接影響到 API 成本和事故處理速度。
| 模型 | SRE-skills-bench | 輸出成本 / 百萬 Token |
|---|---|---|
| Opus 4.6 | 94.7% | $25.00 |
| Opus 4.5 | 94.6% | $25.00 |
| Sonnet 4.6 | 90.4% | $15.00 |
| Sonnet 4.5 | 85.9% | $15.00 |
Sonnet 4.6 拉近了距離
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
Rootly 的 SRE-skills-bench 很好讀。Sonnet 4.6 拿到 90.4%。Sonnet 4.5 只有 85.9%。這代表它一次拉高了 4.5 分。
同一時間，Opus 4.6 只比 Opus 4.5 多 0.1 分。94.7% 對 94.6%。如果只看這次更新，Anthropic 明顯把進步火力放在 Sonnet 層級。
這件事對開發者很現實。很多團隊不是每次都要最貴模型。你要的是夠準、夠快、夠省。Sonnet 4.6 在這三件事上，已經比較像能上線的選項。
- Sonnet 4.6：90.4%，每百萬輸出 Token $15
- Sonnet 4.5：85.9%，每百萬輸出 Token $15
- Opus 4.6：94.7%，每百萬輸出 Token $25
- Opus 4.5：94.6%，每百萬輸出 Token $25
不同任務，差很多
Rootly 把 benchmark 拆成多個領域。這才有意思。Sonnet 4.6 在一般 SRE 知識上，甚至贏過 Opus 4.6。AWS networking 也打平。Kubernetes 和 compute 也很接近。
但一碰到 IAM 和 S3，差距就出來了。這兩類問題很吃權限邏輯。不是你會背名詞就行。你得真的懂 policy 怎麼交錯。
這也解釋了為什麼 SRE 工具不能只看總分。不同任務的難度差很多。模型路由才是比較像樣的做法。
“We experimented with our agentic workflows: investigating incidents, correlating signals, and reasoning through causal chains.” — Sylvain Kalache, Rootly
這句話很有重點。Rootly 測的不是孤立題目。它測的是事故流程。模型要先蒐證，再推理，最後才下結論。
Rootly 公布的分項如下：
- GMCQ：Sonnet 88.0%，Opus 87.0%
- Azure Compute：Sonnet 92.6%，Opus 95.6%
- Azure Storage：Sonnet 92.2%，Opus 96.1%
- Kubernetes：Sonnet 94.5%，Opus 97.3%
- AWS Compute：Sonnet 94.3%，Opus 96.6%
- AWS Network：Sonnet 97.1%，Opus 97.1%
- AWS IAM：Sonnet 85.2%，Opus 92.2%
- AWS S3：Sonnet 75.7%，Opus 91.9%
差距最大的，是 AWS S3。Opus 領先 16.2 分。AWS IAM 也差 7 分。這種題目很適合交給更強模型。其他題目就可以先讓 Sonnet 接手。
事故調查才是重點
Rootly 的意思很明確。真正的 AI SRE，不是做選擇題。它要讀 metrics、logs、config，還要把訊號串成一條故事線。這比單輪 code task 麻煩多了。
在 Rootly 的內部事故集上，Sonnet 4.6 在 root-cause accuracy 上，已經很接近 Opus 4.6。某些情境下，甚至還更好。兩者都贏過 Opus 4.5。
重點是，Sonnet 4.6 的成本低很多。Rootly 提到，這個 agentic workflow 的每 token 成本，大約少 40%。對要大量跑事故分析的團隊，這差很多。
Anthropic 這次也放進了 adaptive thinking。簡單說，模型可以先省著算，等證據夠了再加大推理力道。這很符合 incident response 的節奏。
Rootly 還提到幾個對 AI SRE 很實用的功能：
- 1M token context window
- Context compaction，能整理長對話
- 更好的 prompt-injection 抗性
- 四段 effort levels：low、medium、high、max
對團隊來說，該怎麼選
如果你的工具處理的是 Kubernetes、compute、一般雲端排障，Sonnet 4.6 很可能夠用。它不是只會聊天的模型。它已經能扛不少實務工作。
但只要碰到 IAM、S3、權限邊界這種題目，Opus 還是比較穩。這種地方不要省錯錢。一次誤判，後面就會多花更多時間救火。
所以比較合理的做法，是分流。常見問題給 Sonnet。高風險、權限重、推理長的題目給 Opus。這樣比較像工程，不像信仰。
- 常見事故：用 Sonnet 4.6
- 權限與政策：升級到 Opus 4.6
- 長上下文排查：看 1M token 是否夠用
- 成本敏感團隊：先壓低平均 Token 單價
Rootly 也說，它會在每次 frontier model 發表時跑 SRE benchmark，並把結果放在 sreskillsbench.com。這種公開評測很有價值。因為它逼模型面對真實工作，而不是漂亮簡報。
這波對 AI SRE 產品很重要
我覺得這次最有意思的地方，不是 Sonnet 分數變高，而是「夠用」的範圍變大了。以前很多團隊會直接想上最強模型。現在可以開始算路由。
這會影響產品設計。未來的 incident assistant，可能不是單一模型包到底。它比較像一個流程系統。不同模型處理不同 failure mode。
對台灣團隊來說，這很實際。你如果在做內部 on-call 工具，先把高頻任務丟給 Sonnet 4.6，再把難題轉給 Opus，整體成本會比較健康。這種選法，比盲目追最貴模型更像真的上線思維。
下一步可以觀察兩件事。第一，其他 incident 平台會不會跟進做分流。第二，Sonnet 4.6 在真實 production incident 裡，能不能持續維持這種表現。這才是最該盯的地方。