К содержимому
Блог

Claude Sonnet или Opus: что выбрать под задачу

Claude Sonnet или Opus: что выбрать под задачу

Начните с Sonnet и поднимайтесь до Opus только на шагах, где ошибка дорого стоит или цепочка зависимых действий длинная. Массовую работу с проверяемым результатом отдавайте модели подешевле. Выбирать стоит по трём вопросам, а не по рейтингу: сколько стоит ошибка, сколько будет вызовов и как далеко модели придётся тянуть рассуждение.

Коротко

  • Цена ошибки решает больше, чем цена токена: дорогая ошибка оправдывает Opus, рутина нет.

  • В каталоге Relay на 18 октября 2026 есть Sonnet 4.6, Sonnet 5, Sonnet 5.5, Haiku 4.5, Haiku 5.5, Fable 5 и Fable 5.1, а также пять ревизий Opus.

  • Прежде чем заводить вторую модель, сдвиньте effort на первой: по оценке Anthropic это самый дешёвый эксперимент.

  • Проверяйте выбор на 20-30 своих задачах с одинаковым входом, а не по чужому рейтингу.

Какие три вопроса задать до выбора модели?

Первый вопрос: сколько стоит ошибка. Если неверный ответ ловит тест или человек за секунды, дешёвая модель с повтором обходится дешевле одного дорогого вызова. Если брак вылезет в проде через неделю, дорогой вызов окупается. Второй: сколько будет вызовов. На сотне запросов в день разница между уровнями на счёте почти не видна, а на ста тысячах от неё зависит, есть ли у функции экономика. Третий: насколько длинная цепочка. Один ответ по короткому входу и агент, который двадцать шагов подряд сам решает, что делать дальше, это разные нагрузки. Слабая модель ломается на второй.

Ниже рабочие умолчания по этим трём осям.

ЗадачаЦена ошибкиВызововКуда
Разметка обращений по пяти темамнизкая, поправит оператортысячи в деньнедорогая модель
Поля из письма в JSON по схеменизкая, схема отсекает брактысячи в деньнедорогая модель или Sonnet
Правка в одном файле, есть тестысредняя, тесты поймаютдесятки в деньSonnet
Ответ по длинному документусредняясотни в деньSonnet
Рефакторинг через десяток файлов без ясной гипотезывысокаяединицыOpus
Проверка миграции схемы базы перед выкладкойвысокаяединицыOpus

Таблица отражает наши критерии, а не замеры. У вас цена ошибки может стоять иначе, и тогда строка переезжает в другую колонку.

Что из Claude есть в каталоге Relay на 18 октября 2026?

В живом каталоге есть Opus 4.6, 4.7, 4.8, 5 и 5.5: claude-opus-4-6, claude-opus-4-7, claude-opus-4-8, claude-opus-5, claude-opus-5-5. Есть Sonnet 4.6, 5 и 5.5: claude-sonnet-4-6, claude-sonnet-5, claude-sonnet-5-5. Для быстрых проб доступны claude-haiku-4.5, claude-haiku-5.5, claude-fable-5 и claude-fable-5-1.

Снимок сообщает ID, тип chat и название. Он не содержит контекста, цен или протоколов. Ищите эти свойства в карточке на странице моделей, затем сделайте короткий вызов тем же клиентом, который пойдёт в работу.

Каталог моделей

Каталог моделей

Имена ревизий копируйте вместе с дефисами. Например, Claude Opus 5.5 использует claude-opus-5-5, а Claude Fable 5.1: claude-fable-5-1. Точечные варианты из старого снимка не подойдут.

Как проверить выбор на длинном входе?

Не выбирайте уровень по названию. Живой список не сообщает размер контекста и качество ответа. Возьмите свой документ, составьте вопросы, которые требуют связать факты из разных частей, и сравните кандидатов по числу верных ответов. Если Sonnet проходит этот набор, для такой задачи Opus не нужен.

Что поставить на быстрый уровень?

Для первого сравнения доступны claude-haiku-4.5, claude-haiku-5.5, claude-fable-5 и claude-fable-5-1. Их цена и доступный протокол не следуют из имени, поэтому перед выбором откройте карточку и проведите одинаковый короткий прогон на своих задачах.

Второй путь: не заводить третий уровень и отдать рутину Sonnet. Для небольшого трафика это часто проще: не появится второй набор промптов и проверок.

Claude Code использует роль Haiku для фоновых задач. ANTHROPIC_DEFAULT_HAIKU_MODEL должен содержать ID, который есть в каталоге и проходит проверочный вызов; остальные переменные описаны на странице подключения Claude Code.

Когда правило двух моделей окупается, а когда нет?

Схема известна: сильная модель планирует, средняя выполняет. Anthropic в руководстве по затратам разбирает два её варианта и приводит собственные замеры. В первом исполнитель зовёт консультанта на трудных решениях, во втором оркестратор раздаёт подзадачи исполнителям. Из этих замеров я бы вынес три вещи.

  1. Если работа это одна цепочка зависимых шагов или она целиком помещается в контекст, оркестратор платит за план, передачу и слияние, которые одна модель получает даром.

  2. Раздача выигрывает, когда объём не влезает в один контекст или в потоке много рутины.

  3. Схема с консультантом работает, только если исполнитель к нему обращается. В одном замере Anthropic исполнители не позвали консультанта ни разу на 198 вопросах, и выигрыша не вышло.

Перед любой из схем проведите простой опыт: меняйте один параметр на одной модели, затем сравнивайте результат и расход. Поддержку output_config.effort и других настроек сверяйте по документации выбранной модели, а не по названию семейства.

Как строить эскалацию, не веря самооценке модели?

Популярный приём: просить дешёвую модель вернуть ответ вместе с числом confidence и звать дорогую, когда число низкое. Я бы так не делал. Число, которое пишет сама модель, проверить нечем. Проверка снаружи надёжнее: разбор по схеме, запуск тестов, сверка со списком допустимых значений. Не прошло, значит поднимаемся на следующую модель.

python
import json
import os
import urllib.request

LABELS = {"billing", "technical", "sales", "other"}
CHAIN = ["deepseek-v4-flash", "claude-sonnet-5"]
SYSTEM = 'Ответь JSON вида {"label": "...", "reason": "..."}. label из: ' + ", ".join(sorted(LABELS))


def complete(model, message):
    body = json.dumps({
        "model": model,
        "max_tokens": 200,
        "messages": [
            {"role": "system", "content": SYSTEM},
            {"role": "user", "content": message},
        ],
    }).encode()
    req = urllib.request.Request(
        "https://relay-llm.ru/v1/chat/completions",
        data=body,
        headers={
            "Authorization": "Bearer " + os.environ["RELAY_API_KEY"],
            "Content-Type": "application/json",
        },
    )
    with urllib.request.urlopen(req) as resp:
        return json.load(resp)["choices"][0]["message"]["content"]


def accepted(text):
    try:
        data = json.loads(text)
    except ValueError:
        return None
    if isinstance(data, dict) and isinstance(data.get("label"), str) and data["label"] in LABELS:
        return data
    return None


def classify(message):
    for model in CHAIN:
        data = accepted(complete(model, message))
        if data:
            return model, data
    return None, None

Если дешёвая модель обернула JSON в лишний текст или выдумала метку, accepted вернёт None, и запрос уйдёт Sonnet. Заодно по возвращаемому имени модели видно, какая доля задач закрылась на нижнем уровне. Это ещё не экономия: при эскалации оплачиваются оба вызова, поэтому деньги считайте по usage всех попыток, включая неудачные, и сравнивайте с вариантом «всё на Sonnet».

Как прогнать кандидатов через свои задачи?

Возьмите двадцать-тридцать задач из реальной работы, а не придуманных для проверки. Каждому кандидату подайте один и тот же вход и оценивайте результат одним способом: тест, схема или чтение человеком. Заодно сохраняйте токены и время. Скрипт ниже прогоняет одну задачу через список моделей, промпт лежит рядом в task.txt.

python
import json
import os
import time
import urllib.request

MODELS = ["claude-sonnet-5", "claude-opus-5", "deepseek-v4-flash"]
PROMPT = open("task.txt", encoding="utf-8").read()


def ask(model):
    body = json.dumps({
        "model": model,
        "max_tokens": 1024,
        "messages": [{"role": "user", "content": PROMPT}],
    }).encode()
    req = urllib.request.Request(
        "https://relay-llm.ru/v1/chat/completions",
        data=body,
        headers={
            "Authorization": "Bearer " + os.environ["RELAY_API_KEY"],
            "Content-Type": "application/json",
        },
    )
    started = time.perf_counter()
    with urllib.request.urlopen(req) as resp:
        request_id = resp.headers.get("x-request-id")
        data = json.load(resp)
    return data, request_id, time.perf_counter() - started


for model in MODELS:
    data, request_id, seconds = ask(model)
    print(model, request_id, round(seconds, 1), data["usage"])
    print(data["choices"][0]["message"]["content"][:300])

Ключ берётся из RELAY_API_KEY. x-request-id пригодится, если ответ придётся искать в журнале запросов: токены и стоимость каждого запроса видны там же, в разрезе ключа и модели. Под эксперимент заведите отдельный ключ с лимитом расходов. Запрос сверх лимита получит key_limit_exceeded, и деньги не спишутся.

Читая результаты, считайте стоимость принятой задачи, а не токена. Anthropic советует то же, и довод простой: дорогая модель, решившая с первого раза, может обойтись дешевле дешёвой с тремя повторами. Поднимайтесь на уровень выше только там, где модель проиграла ваши проверки, а не там, где ответ показался слабее на вид. Если выбираете модель именно для кода, начните со статьи как выбрать модель для задач по коду: там порядок измерения и пример политики маршрутизации.

Вопросы про выбор уровня

Можно ли начинать сразу с Opus?

Можно: Anthropic описывает оба входа, сверху и снизу. Мы выбираем по цене ошибки. Если брак дорогой, сначала убедитесь на сильной модели, что задача вообще решается, потом спускайтесь вниз и смотрите, что ломается. Для рутины с дешёвой ошибкой быстрее вход снизу.

Где смотреть цену моделей?

В карточке модели в каталоге и на странице цен. Числа в статьях быстро расходятся с каталогом. У моделей с резервным маршрутом каталог показывает и цену при нём, она может быть выше основной.

Что будет, если указать модель, которой нет в каталоге?

Запрос получит 404 с кодом model_not_found. Идентификатор копируйте из каталога один в один. Ревизии Claude пишутся через дефис: для Opus 5.5 используйте claude-opus-5-5. Подробнее в статье про действующий идентификатор модели.

Можно ли держать Sonnet и Opus на одном ключе?

Можно. Если в параметрах ключа не выбран список «Разрешённые модели», ключу доступны все модели каталога. Чтобы разделить расход по моделям, выпускайте отдельные ключи: журнал запросов покажет траты по каждому, а лимит в деньгах на день или месяц задаётся на каждый ключ отдельно.

Источники

Страницы Anthropic проверены 14 октября 2026.

Создать аккаунт

Модели из статьи

Готовы подключиться?Войдите в консоль, пополните баланс и создайте API-ключ.