Sonnet 5.5 выиграла BugHunt, но стала втрое дороже Opus 5.5 на задачу
Sonnet 5.5 исправила 57 из 105 ошибок, но как агент работала примерно в четыре раза медленнее Opus 5.5.
Анализ сессий связал перерасход с автоматическим созданием дорогих мутационных тестов.
На FrontierCode режим Xhigh дал 52,1%, а Max из-за избыточного рассуждения только 46,2%.
Почему важно
Цена агента определяется его стратегией действий и настройкой effort, поэтому высокий балл модели не гарантирует выгодный рабочий процесс.