Amux AI

Anthropic: Claude Sonnet 4.6

正常

Sonnet 4.6 是 Anthropic 迄今为止最强大的 Sonnet 级模型,在编码、代理和专业工作方面具有前沿性能。它擅长迭代开发、复杂的代码库导航、带内存的端到端项目管理、精美的文档创建以及自信地使用计算机进行 Web QA 和工作流程自动化。

制造商:
Anthropic
输入类型:
输出类型:
上下文长度:
1M
最大输出:
128K
发布时间:
2026-02-18
toolsreasoningstructuredOutputstreamingvisioncaching

供应商

同一个模型,不同供应商。自动路由默认在健康的供应商之间加权分配,也可改为价格、延迟等策略优先。

供应商
amazon-bedrock$3/百万 tokens$15/百万 tokens
读$0.3/百万 tokens写 5m$3.75/百万 tokens写 1h$6/百万 tokens
1M———
减 30%anthropic$3$2.1/百万 tokens$15$10.5/百万 tokens
读$0.3$0.21/百万 tokens写 5m$3.75$2.625/百万 tokens写 1h$6$4.2/百万 tokens
1M———
减 95%最低价amazon-kiro$3$0.15/百万 tokens$15$0.75/百万 tokens
读$0.3$0.015/百万 tokens写 5m$3.75$0.1875/百万 tokens写 1h$6$0.3/百万 tokens
1M97.26%5.7s1.15K tps
减 85%amux-special$3$0.45/百万 tokens$15$2.25/百万 tokens
读$0.3$0.045/百万 tokens写 5m$3.75$0.5625/百万 tokens写 1h$6$0.9/百万 tokens
1M0.00%——
减 70%amuxai$3$0.9/百万 tokens$15$4.5/百万 tokens
读$0.3$0.09/百万 tokens写 5m$3.75$1.125/百万 tokens写 1h$6$1.8/百万 tokens
1M———

可用率

24 小时 · 10/15–10/21

Amux AI 网关向各供应商实际发出请求的成功率,不含客户端错误导致的失败。

Tok/s

24 小时 · 10/15–10/21

流式请求的平均输出速率,单位为 tokens/s(TPS)。

TTFT

24 小时 · 10/15–10/21

流式请求的平均首 token 延迟(TTFT),即自发出请求至收到首个 token 的耗时。

活动

24 小时 · 10/15–10/21

各时段的相对请求活跃度,按实际承接请求的供应商拆分。以所选时间范围内的峰值为 100,仅反映趋势与供应商占比,不代表实际用量。

相关模型

更多来自 Anthropic 的模型

Anthropic: Claude Haiku 5.51M 上下文最低 $0.015 / 百万 tokens4 个供应商Anthropic: Claude Haiku 5.5 是 Anthropic 迄今为止最经济、最快速且功能最强大的小型模型,专为高容量、成本敏感型工作负载而打造。它能以低延迟处理摘要、精简、数据库查询、分类和子代理编码任务,在实时客户支持、浏览器使用以及其他对速度要求极高的应用场景中表现尤为出色。
Anthropic: Claude Sonnet 5.51M 上下文最低 $0.1 / 百万 tokens5 个供应商Anthropic: Claude Sonnet 5.5 是 Anthropic 升级版的 Sonnet 级模型,性能强于 Claude Sonnet 5,同时运行速度提升超过 30%,且在许多工作负载下成本更低。它专为代理式编码、工具使用和日常专业任务而设计,非常适合开发人员和团队构建快速且功能强大的 AI 智能体。
Anthropic: Claude Opus 5.51M 上下文最低 $0.2 / 百万 tokens5 个供应商Anthropic: Claude Opus 5.5 是 Anthropic 旗下的旗舰模型,专为高要求的推理、编码和长周期智能体任务而设计,是 Claude Opus 5 的继任者。它在处理大型代码库的多步骤变更、代码审查与缺陷查找、金融与科学分析,以及解读密集型图表、示意图和截图方面表现尤为出色。与前代产品相比,它在引用数据和来源时更加严谨,确保仅陈述可证实的内容。 该模型以更少的步骤和 token 完成同类任务,并以更通俗的语言汇报工作成果,清晰地说明其操作过程、发现的问题以及需要用户配合的事项。模型思考过程始终保持自适应,因此“努力程度(effort)”是权衡深度、延迟和成本的主要杠杆,低努力程度的设置在对延迟敏感的工作负载中依然有效。