為什麼想測

9 月底，Claude 一週內連出兩個新模型:9/22 是 Opus 5.5，9/28 是 Sonnet 5.5。

官方的發表頁都很完整。Opus 5.5 那頁列了十幾項測驗分數，像 Terminal-Bench、CursorBench，並說它在大部分工作上「表現跟 Fable 5.1 同一個等級」;Sonnet 5.5 則是 Opus 5.5 更快、更便宜的搭檔，適合範圍明確的日常工作、修 bug、做出精緻的文件。

但老實說，那些分數我看不太出來，跟我實際用起來有什麼關係。

我用 Claude 不只寫程式，也常拿它處理生活上的事。最近剛好在排明年 5 個人一起去東京的 9 天行程，表格是我自己用 Numbers 做的:每天的行程、交通、三餐、預算，還貼了 48 張景點和美食的照片。排行程的時候，我真的會想叫 AI 幫我做這些事:

• 把這份表做成手機上好看的網頁，傳給一起去的人
• 出發前幫我檢查，行程裡有沒有會出包的地方
• 把景點和餐廳釘在地圖上，看看每天怎麼移動
• 如果某天下大雨，幫我重排行程

所以這次不看官方的標準考題，直接拿這四件我平常、休閒時真的會做的事，讓新的 Opus 5.5、Sonnet 5.5 來做。 順便拉上幾個對照組:上一代的 Sonnet 5、最便宜的 Haiku 4.5，還有目前最強、也最貴的 Fable 5.1。

選模型的基本觀念，像是怎麼切換、官方怎麼分工、價格差多少，我在「Claude Code 實戰手冊」G7〈控制 Claude 怎麼想:選模型與思考深度〉寫過(https://ithelp.ithome.com.tw/articles/10406403)，這篇不重講。這篇只看一件事:它們在我的日常任務上，實際做得怎麼樣。

先說清楚:這是我自己好奇做的測試，沒有業配，也不是正式的跑分。 我盡量把條件固定(第 1 節)，但每個模型每題只跑 1～2 次，結果只代表我這份行程。

先講結論

四個任務總共跑了 30 次(包含失敗和中途停掉的)，換算成 API 價格大約美金 $45(我用的是 Max 方案，實際扣的是訂閱額度)。先講結論:

1. 日常的事，新的 Sonnet 5.5 就夠了。 做網頁、找行程裡的錯、在地圖上放圖釘，Sonnet 5.5、Opus 5.5、Fable 5.1 三個都接近滿分。盲測我最喜歡的那份網頁，是三個裡最便宜的 Sonnet 5.5 做的。
2. 真正拉開差距的，是「做事習慣」和「題目沒講的事」。 會不會老實說「我不確定」、會不會去查、會不會想到題目沒寫的行李問題，這些才是差別所在。藏了陷阱的那一題，Opus 5.5 和 Fable 5.1 才明顯比較好。
3. Haiku 4.5 和舊版 Sonnet 5，跟上面三個有明顯差距。 Haiku 兩次都沒做完，卻都說「完成！」;Sonnet 5 有一次為了檢查畫面，打開了我的 Safari、截了我整個螢幕。

下面一個任務一個任務講。

1. 怎麼測，才算公平

我的行程表是用 Numbers 做的:9 天、5 個大人，有 13 張工作表，包括每天的行程和費用、三餐總覽、住宿、預訂清單，還有景點照片。資料很雜:日幣台幣混用、有「待定」「待確認」、有訂票連結，很像一般人真的會丟給 AI 的檔案。

每個模型的條件都一樣:

「換算的 API 價格」是 Claude Code 跑完會附上的數字，代表同樣的用量如果走 API 要付多少錢。訂閱制實際扣的是額度，不是這筆錢，所以我只拿它來比較誰比較耗。

評分的部分，能客觀檢查的我都寫成程式自動檢查，而且標準答案都是在模型跑之前就寫好的，避免我看了它們的答案，回頭改標準。好不好看這種主觀的部分，我把成品標成 A、B、C、D、E，看不到是哪個模型做的，排完名次才揭曉。

2. 任務一:把行程表做成好看的網頁

prompt 很單純:

幫我把這份東京行程做成一份精美好看的 HTML，要放上表格裡的照片，要能在手機上看。

照片的部分，我先把有拍到人的照片拿掉，剩下 48 張。

結果

Haiku、Sonnet 5、Sonnet 5.5、Opus 各跑兩次;Fable 很耗額度，只跑一次。Sonnet 5 另外還有一次跑到一半被我停掉(見第 6 節)。

它們各花了多少力氣

Claude Code 跑完會留下詳細的用量紀錄，連花了多少 token 在「思考」都有。下面是盲測用的那一輪(Sonnet 5 用的是正常跑完的那一次):

先說明兩件事:思考的內容看不到，只知道量;讀進去的 token 大多是「重讀」，每一輪它都要把目前為止的對話重新讀一遍，所以會累積到幾百萬。重讀的部分有快取，價格便宜很多，所以價格不會跟這個數字成正比。

從這張表可以看出三件事:

1. 想最多的反而是 Sonnet 5.5。 它的思考量是 Opus 5.5 的兩倍多。這次我把 effort 都設成 high;Claude Code 裡 Sonnet 5.5 的預設其實是 medium，平常用不一定會想這麼多。
2. Fable 5.1 輸出的量比 Sonnet 5.5 少，價錢卻是它的 3.5 倍。 因為同樣的 token 數，Fable 的單價是 Sonnet 5.5 的 5 倍。
3. Haiku 4.5 讀進去的量，只有其他模型的十幾分之一。 看起來它沒有把整份 Excel 仔細讀完就開始做了，這也對得上它只做了 7 成行程的結果。

盲測:我選的第一名是 Sonnet 5.5

我看完五份成品，排出來是 D > A > B > E > C(代號跟盲測網站一樣)。揭曉之後:

• D:Sonnet 5.5。字體有設計感、畫面清楚、照片都放對地方，每天的費用和行程一看就懂。唯一的缺點是每天標題太長會被截成「…」。
• A:Fable 5.1。整齊易懂，每天右上角的小圖示很好看，但沒有特別亮眼的設計，時間軸的圓點太貼近文字，步行也用了電車的圖示。
• B:Opus 5.5。跟 D 非常接近，差別在「九天三餐」那一頁。
• E:Sonnet 5。首頁沒有放照片。
• C:Haiku 4.5。沒有照片，內容也不完整。

D 和 B 的差別很有意思。我的 Excel 在「預約」「狀態」欄位裡用了 ❌、✅、⏸ 這些符號。Sonnet 5.5 把它們翻成文字，例如「❌ 買餐券」變成「不可預約 買餐券」、✅ 變成「已定」;Opus 5.5 原封不動照抄，結果畫面上一排打勾和叉叉，我看了反而搞不懂:這是吃完了？沒開？還是倒閉了？

符號是我自己寫的，但好的成品應該幫讀的人翻譯，而不是照抄。

說「完成」的，真的完成了嗎？

我拿每個模型最後的回報，去對它實際做過的事:

• Haiku 4.5 兩次都說「完成！」，但它一次都沒有檢查成品。第一次 64 個行程只做了 47 個;它要放照片的時候，沒有把照片從 Excel 拿出來，而是做了一個「點格子上傳照片」的區域。
• Sonnet 5.5、Opus 5.5、Fable 5.1 說「用手機尺寸截圖檢查過」，就是真的檢查過:每個都截了 4～8 次圖、看了 14～25 張截圖才收工。
• Sonnet 5 有一次說成品「自包含」，實際上卻是「網頁＋一個照片資料夾」。你只把網頁傳到手機，48 張照片會全部不見。

它有沒有自己加料？

我的 Excel 沒有寫年份。7 份完整的成品裡，有 5 份自己寫上了「2026/10/16」:Sonnet 5 兩次、Opus 兩次、Fable 一次。問題是，表上的星期幾對應的是 2027 年。只有 Sonnet 5.5 兩次都沒有自己補年份。

另外，Excel 裡有 4 餐還寫著「待定」，所有模型都照實標成待定，沒有人擅自幫我選店家。

一個意外的收穫

另外跑了一次沒有照片的版本，結果 Sonnet 5.5 在網頁上寫了一句:「Excel 的 D4 小計漏算『寄放行李 ¥2,000』，這裡已補進去。」

我回去查，D4 的小計公式是 SUM(F15:F22)，寄放行李在第 23 列，真的沒加到。這是我自己都沒發現的錯。同一輪的 Opus 5.5 和 Fable 5.1 都把寄放行李列出來了，卻直接沿用 Excel 的總額，沒發現前後對不上。

3. 任務二:幫行程做健檢

做網頁太簡單，分不出 Sonnet 5.5、Opus 5.5、Fable 5.1。所以第二題我改考推理:

出發前幫我檢查這份東京行程，把可能會出包的地方全部找出來，依嚴重程度用紅黃綠燈整理成一頁 HTML 報告。

模型跑之前，我先自己把整份表讀過一遍，列了 18 個真正的問題，例如:D4 小計漏算、預訂清單和行程寫的熱海飯店不是同一家、D5 下午的時間順序倒過來(14:30 才出發去上野，午餐卻排在 14:00)、同一家燒肉店寫了兩個不同的分店名稱。我也設了陷阱:我的表上寫的星期幾，對應的是 2027 年。

結果

明顯的錯，三個都抓得到。 最嚴重的 5 個問題三家全中，貴的模型沒有找得比較多。

真正的差別在年份。 今天是 2026 年，我的表沒寫年份，星期幾對應的是 2027 年:

• Sonnet 5.5 寫:「……這是 2027 年的星期……住宿表裡東橫INN 週六價高、週日價低的規律……也比較像 2027 年。這一點是我的推論，不是檔案寫明的。」它還拿房價規律當佐證，最後請我確認年份。答對了，我確實是明年去。
• Opus 5.5 和 Fable 5.1 都注意到這組星期符合 2027 年，卻還是直接斷定 2026/10/16 是星期五、表上的星期全部錯了一天，而且放在紅燈第一名。

更麻煩的是，錯的前提會一路擴散。它們接著建議:「D3 其實是週日，箱根最擠」「D8 是週五，人形町今半要看平日菜單」「預訂期限都已經過了，今天就要訂」。照我明年出發的實際情況，這幾條全都是錯的，而且講得很肯定。

貴的模型找得比較多，但不一定找得比較對。

4. 任務三:做成行程地圖

第三題考它對真實世界的了解:

幫我把這份東京行程做成一張互動地圖:每個景點、餐廳、飯店都放圖釘，每天的路線用不同顏色連起來，做成一頁 HTML。

跑之前，我先用 OpenStreetMap 查好 37 個地點的正確座標，再量每個模型的圖釘差了幾公里。大景點容許 1 公里，小店容許 0.5 公里。

結果

三份地圖都幾乎全對，差別在做法:

• Opus 5.5 全靠記憶，5 分鐘就做完，37 個地點只有 2 根偏比較多(海賊船碼頭偏 1.6 公里、日光一家湯葉料理店偏 0.6 公里)。光憑記憶能做到這樣，它對日本的地理很熟。
• Sonnet 5.5 和 Fable 5.1 都自己上網查座標。 Fable 用的資料來源跟我做標準答案的一樣，所以誤差是 0;它花的錢是 Sonnet 5.5 的 3 倍多，準確度一樣。

對我來說，最有用的是 Sonnet 5.5 的這個動作:它把 6 根自己沒把握的圖釘標成概略位置，點開會有一行橘字:「位置為概略，出發前請用 Google 地圖確認」。Opus 的圖釘大部分對，但我看不出哪幾根是猜的。

旅遊用的地圖，「告訴我哪裡不確定」比多準 0.1 公里更重要。 這跟健檢那題是同一個模式:Sonnet 5.5 碰到不確定的事，會老實說出來。

5. 任務四:雨天備案，真正分出高下的一題

前三題的結論是:三個模型都很強，差別在做事習慣。那官方說 Opus 適合「複雜的任務」，是真的嗎？我需要一題 Sonnet 可能會失手的題目。

這題我設計得比較刁:D3 箱根下大雨，空中纜車全天停駛，海賊船下午 2 點後才可能恢復;D4 是晴天。 要它重排 D3 和 D4，把大涌谷、海賊船、箱根神社盡量補回來，條件是:

• 浪漫特快的票已經買了，不能改;箱根周遊券要盡量用。
• D3 住湯本富士屋、D4 住熱海聚樂，都不能改;D4 18:00 前要到聚樂吃晚餐。
• 熱海城(16:30 最後入場)和來宮神社一定要去。
• 五個人裡有一位長輩，每天步行加起來不能超過 60 分鐘。

所有交通時間、步行分鐘、營業時間，我都寫在題目裡，大家用同一份資料算，我才能逐段驗算。

這題藏了兩個陷阱。第一，如果把大涌谷、箱根神社、熱海城、來宮神社全塞進晴天的 D4，步行會變 63 分鐘，超過上限，一定要取捨。第二，行李:D3 住箱根、D4 要繞箱根一圈再去熱海，行李怎麼辦？題目完全沒提。

結果

三個都很聰明:都發現步行會超標，也都想到同一招，D3 改搭登山巴士去箱根神社，不用賭海賊船下午會不會恢復。

差別在題目沒講的地方:

• Sonnet 5.5 沒想到行李。 D4 從飯店出發、繞完大涌谷和海賊船，就直接去小田原了，等於要拖著 5 個人的行李繞箱根一圈。它 2.5 分鐘就寫完，只花美金 $0.29。
• Fable 5.1 把行李寄在飯店，繞完箱根回到湯本時再拿，來回 10 分鐘的步行也算進總數。它還想了連鎖備案:如果 D3 雨太大、神社改到 D4，步行會超標 3 分鐘，那就把行李改成隨身帶，省下 10 分鐘。
• Opus 5.5 讓我最驚訝。它回去讀了我原本的 Excel，用了題目沒給的資訊:「v5 原本寫大行李放在東京東橫INN，所以 D4 箱根這段只需要帶隨身的過夜行李。」它還想到一件題目沒算的事:「D3 早上在東京從東橫INN 走到馬喰横山、在新宿轉浪漫特快的步行，表上沒有時間、沒有算進去，實際走下來一定會超過 60。」所以它故意多留緩衝，不排會走很多路的美術館。

這題終於看出官方定位的差別: 條件很多、又藏了題目沒講的事時，Opus 和 Fable 會去想「實際上會發生什麼」，Sonnet 5.5 則是把題目給的條件解得又快又漂亮，但沒有多想一步。

另外，四個任務裡 Opus 5.5 和 Fable 5.1 的表現一直很接近。官方自己也說 Opus 5.5 在大部分工作上，表現跟 Fable 5.1 同一個等級，至少在我這幾題，這個說法是成立的。

6. 插曲:它打開了我的 Safari，截了我的螢幕

測試中最讓我嚇一跳的，不是誰做得好，而是 Sonnet 5 的一次執行。

它在第 8 分鐘就做出一份可以用的網頁，但覺得手機版的表格會往右溢出，所以開始反覆修改、截圖檢查，寫了 30 幾個測試頁。到第 20 分鐘左右，它做了三件事:

1. 用 open -a Safari 在我的 Mac 上打開 Safari。
2. 用 screencapture 截了我整個螢幕，再把截圖讀進來看。
3. 下了一個「關閉 Safari 所有視窗」的指令。

我在第 21 分鐘把它停掉，關視窗的指令還沒執行到，我的 Safari 視窗都還在。但截圖已經被它讀過了。

這些動作 auto mode 都沒有擋。 auto mode 會擋掉它判斷有風險的動作，但「開瀏覽器檢查自己的網頁」看起來很合理，截圖、關視窗也都是為了「檢查版面」。它不是故意做壞事，只是為了把事情做完，越做越超出範圍。

之後我把這幾個指令寫成禁止規則，再跑就沒發生過。下一輪 Sonnet 5 又想用 pkill 關掉自己開的伺服器，這次就被擋下來了。如果你也常讓它在背景自己跑，可以把不想讓它碰的指令寫進設定:

{
  "permissions": {
    "deny": [
      "Bash(open *)",
      "Bash(screencapture *)",
      "Bash(osascript *)",
      "Bash(killall *)",
      "Bash(pkill *)"
    ]
  }
}

deny 規則是「永遠不准」，比在對話裡交代可靠(實戰手冊 G8、G8.5 講過)。

7. 什麼時候用哪個

這裡講的「貴」，在這次測試是指同一件事 Fable 5.1 換算起來大約是 Sonnet 5.5 的 3～5 倍。依官方 API 價格，同樣的用量，Opus 5.5 是 Sonnet 5.5 的 2 倍、Fable 5.1 是 5 倍(G7 寫的是上一代的比例，5.5 這一代 Opus 變便宜了)。Opus 5.5 的單價雖然是 Sonnet 5.5 的 2 倍，實際每個任務卻從「比 Sonnet 便宜一點」到「貴 4 倍」都有，因為 Sonnet 5.5 有時用的 token 比較多。

訂閱制的人也要注意:官方說明中心寫，Opus 每一輪的用量是 Sonnet 的好幾倍，拿 Opus 做例行的事，是最快把額度用完的方法;Max 方案的 Fable 最多只能用到每週額度的一半，而且吃得比其他模型快。

還有一件事:Claude Code 現在的預設模型是 Opus 5.5。 想照這篇的建議，平常用 Sonnet 5.5，要自己切換:

/model sonnet

8. 這次測試要打的折扣

• 次數很少。 每個模型每題只跑 1～2 次，換一天、換個寫法，結果可能不一樣。例如 Sonnet 5.5 第二次跑雨天備案，說不定就想到行李了。這篇只能說「在我這份行程上」，不能說「誰比較強」。
• effort 跟你平常用的可能不一樣。 我全部寫死成 high，但 Claude Code 裡 Opus 5.5 和 Sonnet 5.5 的預設是 medium。你沒調過的話，實際用到的是 medium，結果可能會不同，這部分我沒有測。
• Haiku 4.5 的條件不一樣。 它不支援 auto mode 和 effort，所以權限和思考深度都跟其他模型不同。官方也說 Haiku 5.5 幾週內就會推出，這次測的是 Haiku 4.5。
• 任務一的照片版有一個我的失誤。 我用程式把照片塞回 Excel 時，存檔會把公式算好的結果清掉，所以那一版的小計、總計格子打開都是空的。每個模型拿到的檔案一樣，比較還是公平，但「有沒有發現漏算」我只採用沒有照片、數字完整的那一版。
• 好不好看只有我一個人評。 盲測可以避免我偏心，但還是我一個人的喜好。
• 地圖題的 Fable 用了跟我標準答案一樣的資料來源，所以它的 0 誤差，比的是「它會去查」，不是「它知道」。

9. 給新手的三個提醒

a. 它說「完成」，不等於真的完成

Haiku 兩次都只做了一部分，卻都回報「完成！」。叫 AI 做事之後，先花一分鐘看它實際做了什麼:數量對不對、該有的東西有沒有、有沒有偷偷換成別的做法。

b. 會說「我不確定」的，比較可靠

這次我最信任的，是會把推論標成推論、把概略位置標成概略的那個模型。看它的回報時，留意它有沒有寫「這是我的推論」「請確認」;什麼都講得很肯定的，反而要多檢查。

c. auto mode 不是保險

只要是為了完成任務，它可能會做出你沒想到的事，例如打開你的瀏覽器、截你的螢幕。讓它在背景自己跑之前，把不能碰的指令寫成 deny 規則。

結語

G7 那張「什麼時候用哪個」的表，這次測下來大方向沒變。測完之後，我對「該用哪個模型」的答案變得更簡單:平常用 Sonnet 5.5，碰到條件很多、要它多想一步的事，再換 Opus 或 Fable。

但比選模型更重要的，是看懂它交回來的東西:它有沒有做完、有沒有標出不確定、有沒有多做你沒叫它做的事。這幾件事，換哪個模型都要自己看。

你平常用哪個模型？有沒有碰過它說完成、其實沒做完的情況？留言告訴我。

參考資料

• Claude Code 實戰手冊 G7〈控制 Claude 怎麼想:選模型與思考深度〉:https://ithelp.ithome.com.tw/articles/10406403
• Claude Opus 5.5、Sonnet 5.5 官方介紹:https://www.anthropic.com/claude-opus-5-5 、https://www.anthropic.com/claude-sonnet-5-5
• Claude Code 官方〈Model configuration〉:https://code.claude.com/docs/en/model-config
• Claude 官方〈Pricing〉:https://platform.claude.com/docs/en/about-claude/pricing
• Claude Code 官方〈Permission modes〉:https://code.claude.com/docs/en/permission-modes
• Claude 說明中心(Fable 與方案):https://support.claude.com/en/articles/15424964
• Claude 說明中心(用量與模型):https://support.claude.com/en/articles/14552983

本文依 2026-10-01～10-03 的實測與 Claude Code 2.1.285 撰寫，模型版本是當時的 Haiku 4.5、Sonnet 5、Sonnet 5.5、Opus 5.5、Fable 5.1。模型更新很快，換一個版本結果可能就不一樣。

關於我

Tim Wei / EY 安永 Technology Consulting 顧問（AI/ML），做 RAG 知識系統、機器學習模型與 AI 治理，也擔任數位發展部 AI 人才培育計畫的講師。