Claude Sonnet 4.6: फीचर्स, एक्सेस, टेस्ट, और बेंचमार्क

Claude Sonnet 4.6 क्या है?

Claude Sonnet 4.6 Anthropic का नवीनतम बड़ा भाषा मॉडल (LLM) है। इसका फोकस एजेंटिक कोडिंग, कंप्यूटर उपयोग और अन्य एजेंटिक क्षमताओं पर है, और यह हाल ही में प्रकाशित फ्लैगशिप मॉडल Claude Opus 4.6 की तुलना में हल्का मॉडल है।

यह इंक्रीमेंटल-सा अपडेट कुछ समय पहले तक चौंकाने वाला लग सकता था, लेकिन यह हालिया रिलीज़ के अनुरूप है। मेरे अनुसार, वर्ज़निंग के पीछे का तर्क यह हो सकता है कि Claude Sonnet 4.6 बहुत से नए स्टैंडअलोन फीचर्स पेश नहीं करता, बल्कि हाल ही में आए फीचर्स को Sonnet मॉडल परिवार में समाहित करता है। 

पहले केवल पेड-टियर में उपलब्ध फीचर्स को सभी उपयोगकर्ताओं के लिए उपलब्ध कराने के अलावा, Claude Sonnet 4.6 अपने पूर्ववर्ती की तुलना में समग्र रूप से काफी बेहतर प्रदर्शन करता है, जबकि Claude Sonnet 4.5 के API मूल्य दर ($3/$15 प्रति मिलियन इनपुट/आउटपुट टोकन) को बरकरार रखता है। यह Claude वेब चैट इंटरफ़ेस और API दोनों के माध्यम से तुरंत उपलब्ध है।

Claude Sonnet 4.6 की प्रमुख विशेषताएँ

Anthropic का दृष्टिकोण नए रिलीज़ में Sonnet की कीमत पर Opus-स्तर का फ्लैगशिप प्रदर्शन देने का लगता है। यह महत्वाकांक्षी सुनाई देता है, पर बेंचमार्क परिणामों से संकेत मिलता है कि यह लक्ष्य हासिल हुआ है—जिन्हें हम आगे विस्तार से देखेंगे।

एक प्रमुख उदाहरण है Claude Sonnet 4.6 की एजेंटिक कंप्यूटर-उपयोग क्षमता, जिसने OSWorld-Verified में 72.5% का बहुत प्रभावशाली स्कोर हासिल किया। नीचे दिए ग्राफ़िक से दिखता है कि Sonnet मॉडल कितनी दूर तक आ चुके हैं और एक वर्ष से कम में इस स्कोर को दोगुने से भी अधिक कर चुके हैं।

समय के साथ Claude Sonnet मॉडलों के OSWorld-Verified स्कोर (स्रोत: Anthropic)

आइए नए मॉडल की कुछ उल्लेखनीय विशेषताएँ देखें:

कोडिंग और रीज़निंग के लिए लगभग-Opus बुद्धिमत्ता

Claude Sonnet 4.6 कई तरह के कार्यों में पूर्ण स्किल अपग्रेड देता है, जिनमें शामिल हैं:

• कोडिंग
• दीर्घ-क्षेत्र रीज़निंग
• एजेंट प्लानिंग
• नॉलेज-सम्बंधित कार्य
• डिज़ाइन

रिलीज़ नोट के अनुसार, Anthropic ने पाया कि बीटा टेस्टर्स लगभग 59% मामलों में Sonnet 4.6 को Opus 4.5 पर प्राथमिकता दे रहे थे, जो कि सिर्फ दो हफ्ते पहले तक Anthropic का फ्लैगशिप मॉडल था। 

उन्होंने बेहतर निर्देश-अनुसरण, कम हैलुसिनेशन, और अधिक विश्वसनीय बहु-चरणीय समस्या-समाधान को अपनी प्राथमिकता के कारणों के रूप में बताया।

मजबूत सुरक्षा के साथ फ्रंटियर-स्तरीय एजेंटिक स्किल्स

मॉडल कई वास्तविक सॉफ़्टवेयर कार्यों पर मानव-स्तरीय क्षमता दिखाता है, जैसे:

• जटिल स्प्रेडशीट में नेविगेट करना
• बहु-चरणीय वेब फ़ॉर्म
• मल्टी-टैब वर्कफ़्लो

यह, उदाहरण के लिए, मजबूत OSWorld-Verified स्कोर और कुछ डोमेन-सम्बंधित बेंचमार्क में स्पष्ट होता है, जिन पर हम आगे चर्चा करेंगे।

मॉडल विकास में एक और फोकस सुरक्षा पर था, जो एजेंटिक AI की ओर बढ़ते बदलाव में विशेष रूप से प्रासंगिक है। Anthropic का दावा है कि Claude Sonnet 4.6 ने Sonnet 4.5 की तुलना में प्रॉम्प्ट इंजेक्शन के प्रति अपनी रेज़िस्टेंस में उल्लेखनीय सुधार किया है, और इस मामले में Opus 4.6 के बराबर है।

दीर्घ-क्षेत्र योजनाबंदी

शायद सबसे आकर्षक दावा बढ़े हुए कॉन्टेक्स्ट विंडो के बारे में है, जो अब 1 मिलियन टोकन तक फैला है। यह विस्तार Sonnet 4.6 को एक ही रिक्वेस्ट में और भी बड़े कोडबेस, लंबे कॉन्ट्रैक्ट, या बड़े शोध-बंडल लेने और उस कॉन्टेक्स्ट पर प्रभावी ढंग से तर्क करने देता है। यह विस्तारित कॉन्टेक्स्ट विंडो Sonnet 4.6 को Google के Gemini 3 के समकक्ष रखता है। 

दीर्घकालिक योजनाबंदी में सुधार का एक उदाहरण Vending-Bench एरीना है, जो समय के साथ किसी मॉडल की एक सिम्युलेटेड व्यवसाय चलाने की क्षमता का परीक्षण करता है, जिसमें मॉडलों के बीच प्रतिस्पर्धा का तत्व भी शामिल है। शुरुआत में बुनियादी ढांचे में भारी निवेश करके और बाद में उसका लाभ उठाकर, Sonnet 4.6 एक वर्ष बाद Sonnet 4.5 के औसत लाभ को लगभग तीन गुना करने में सक्षम था।

Vending-Bench स्कोर: Claude Sonnet 4.6 बनाम Sonnet 4.5 (स्रोत: Anthropic)

उन्नत वर्कफ़्लो एन्हांसमेंट

Claude प्लेटफ़ॉर्म और API पर, Sonnet 4.6 कुछ ऐसी सुविधाएँ निःशुल्क उपलब्ध कराता है जो पहले केवल Opus मॉडलों या पेड टियर तक सीमित थीं।

एडैप्टिव थिंकिंग

Claude Opus 4.6 के साथ पेश की गई एक उपयोगी सुविधा है एडैप्टिव थिंकिंग। यह Claude को यह तय करने देती है कि उत्तर देने से पहले कब और कितना तर्क करना है। API में, इसे thinking: {type: “adaptive”} सेट करके सक्षम किया जा सकता है। वेब चैट इंटरफ़ेस में Sonnet 4.6 और Opus 4.6 के लिए यह स्वतः सक्रिय है।

कनेक्टर्स

कनेक्टर्स MCP-आधारित इंटीग्रेशन प्रदान करते हैं, यानी ये Google Workspace और Slack जैसे बाहरी ऐप्स तक सीधी पहुँच देते हैं। इस तरह, Sonnet 4.6 चैट में इन टूल्स से वास्तविक समय का डेटा ला सकता है और उस पर काम कर सकता है। कनेक्टर्स मूल रूप से केवल पेड टियर में उपलब्ध थे, पर Sonnet 4.6 के नए डिफ़ॉल्ट मॉडल बनने के साथ अब ये फ्री उपयोगकर्ताओं के लिए भी उपलब्ध हैं।

Claude Sonnet 4.6 का परीक्षण

मुझे लगा कि यह देखना दिलचस्प होगा कि Claude Sonnet 4.6 उन्हीं कार्यों पर कैसा करता है जिनका उपयोग हमारे Claude Opus 4.6 गाइड में परीक्षण के लिए किया गया था, ताकि हम दोनों की सीधी तुलना कर सकें। परीक्षण इस तरह डिज़ाइन किए गए थे कि वे बहु-चरणीय कार्यों को शामिल करें और गणितीय व कोड-संबंधित रीज़निंग की जाँच करें।

टेस्ट 1: हेक्स-टू-डेसिमल लॉजिकल पज़ल

पहला टेस्ट गणितीय कौशलों को लक्षित करता है:

Step 1: Find the 6th prime number. Let this be P. 
Step 2: Convert the square of P into hexadecimal. 
Step 3: Count the letters (A–F) and digits (0–9) in that hex string. Let these be A and B. 
Step 4: Multiply A × B. Let this be N. 
Step 5: Find the Nth prime number.संचालित द्वारा

आइए हम खुद गणना करें, ताकि देख सकें परिणाम सही है या नहीं:

1. छठा अभाज्य 13 है।
2. 13 का वर्ग 169 है।
3. 169 हेक्स में A9 है, जिसमें 1 अक्षर और 1 अंक है।
4. 1 × 1 = 1।
5. पहला अभाज्य 2 है।

इस टेस्ट के पीछे विचार था कि विभिन्न काउंटिंग लॉजिक और संख्या-प्रारूपों की आवश्यकता वाले कार्यों से मॉडल को उलझाया जाए। Opus 4.6 की तरह ही, Sonnet 4.6 भी हर चरण को सफलतापूर्वक हल करता है और सही निष्कर्ष पर पहुँचता है:

टेस्ट 2: मैट्रिक्स को घुमाना

अगला टेस्ट स्पैशियल रीज़निंग को लक्षित करता है, जो कई LLMs की कुख्यात कमजोर कड़ी रही है:

Step 1: Create a 2×2 matrix M with top row [4, 2] and bottom row [1, 5]. 
Step 2: Rotate M 90 degrees clockwise. 
Step 3: Calculate the determinant of the rotated matrix. 
Step 4: Cube that determinant. 
Step 5: Subtract the 13th Fibonacci number from the result.संचालित द्वारा

सही उत्तर -6,065 है:

1. प्रारंभिक मैट्रिक्स [[4, 2], [1, 5]] है।
2. घुमाया हुआ मैट्रिक्स [[1, 4], [5, 2]] है।
3. डिटरमिनेंट दोनों विकर्ण गुणनों के अंतर के बराबर होता है, जो इस मामले में -18 है।
4. -18 का घन -5,832 होता है।
5. -5,832 - 233 = -6,065।

Sonnet 4.6 को इस कार्य में कोई परेशानी नहीं होती। यह मैट्रिक्स के स्थानिक संदर्भ को समझकर उसे सही ढंग से घुमा लेता है, और ऋणात्मक संख्याओं से निपटने में भी कोई दिक्कत नहीं आती:

टेस्ट 3: कोड डिबगिंग

अंत में, आइए कोड डिबगिंग को लक्षित करें—जो Sonnet 4.6 की कथित ताकतों में से एक है। यह टेस्ट यह जाँचने के लिए डिज़ाइन किया गया है कि किसी विशेष बग का सामना होने पर मॉडल कॉन्टेक्स्ट के प्रति कितना सजग है।

A developer wrote this Python function to compute a running average: 

def running_average(data, window=3): 
    result = [] 
    for i in range(len(data)): 
        start = max(0, i - window + 1) 
        chunk = data[start:i + 1] 
        result.append(round(sum(chunk) / window, 2)) 
    return result 
When called with running_average([10, 20, 30, 40, 50]), the first two values in the output seem wrong. Why? Please help me fix what is wrong!संचालित द्वारा

इस कोड स्निपेट में समस्या यह है कि फ़ंक्शन सूची की शुरुआत में चंक में 3 तत्व होने से पहले भी हमेशा window (3) से विभाजित करता है। बग्गी कोड का आउटपुट [3.33, 10.0, 20.0, 30.0, 40.0] आता है, लेकिन पहले दो मान 10.0 और 15.0 होने चाहिए, क्योंकि उन चंकों में क्रमशः केवल 1 और 2 तत्व हैं, और विभाजन उन्हीं संख्याओं से होना चाहिए। इसलिए सुधार है len(chunk) से विभाजित करना, window के बजाय।

यह टेस्ट इसलिए अच्छा है क्योंकि यह LLMs की एक कमजोरी को निशाना बनाता है: वे अक्सर लूप को पूरी तरह चलाते हैं लेकिन आउटपुट को सही मान लेते हैं। कारण यह है कि वे देखते हैं कि गणनाएँ चरण-दर-चरण बिना त्रुटि के चल रहीं, पर यह नहीं सोचते कि फ़ंक्शन को क्या करना चाहिए। केवल तभी मॉडल बग पकड़ सकता है जब वह फ़ंक्शन के उद्देश्य को उसके क्रियान्वयन से जोड़ सके।

एक बार फिर, मॉडल टेस्ट पास करता है। बेशक, ये केवल कुछ उदाहरण थे जिनसे आप मॉडल को परख सकते हैं, लेकिन कम से कम इन उदाहरणों में Sonnet 4.6 का प्रदर्शन Opus 4.6 के बराबर है।

Claude Sonnet 4.6 बेंचमार्क

हाल के दिनों में मॉडलों के तेज़ी से आते-जाते रहने के बीच, हम पहले स्थानों पर काफी खींचातानी के आदी हो चुके हैं। फिर भी, कई LLM बेंचमार्क में Claude Sonnet 4.6 के शुरुआती नतीजे प्रभावित करते हैं—खासकर यह देखते हुए कि यह Anthropic का फ्लैगशिप मॉडल नहीं है।

Claude Sonnet 4.6 और प्रतिस्पर्धियों के बेंचमार्क स्कोर (स्रोत: Anthropic)

जैसा कि हम तालिका से देखते हैं, Claude Sonnet 4.6 एजेंटिक बेंचमार्क में बहुत अच्छा प्रदर्शन करता है:

• एजेंटिक कंप्यूटर उपयोग: OSWorld-Verified स्कोर 72.5% के साथ, यह बहुत मामूली अंतर से केवल Claude Opus 4.6 (72.7%) से पीछे है, जबकि OpenAI के नए फ्लैगशिप मॉडल GPT-5.3 Codex (64.7%) को स्पष्ट रूप से मात देता है।
• एजेंटिक कोडिंग: SWE-bench verified में Claude Sonnet 4.6 ने 79.6% हासिल किया। हाल के Claude और प्रतिस्पर्धी मॉडल लगभग समान हैं, क्योंकि सभी लगभग 80% के आसपास केंद्रित हैं।
• एजेंटिक टर्मिनल कोडिंग: Sonnet 4.5 की तुलना में उल्लेखनीय सुधार (Terminal-Bench 2.0 में 51% के बजाय 59.1%), लेकिन Opus 4.6 (65.4%) से थोड़ा पीछे और GPT-5.3 Codex (75.1%) से काफ़ी अंतर।

विशेष रूप से उल्लेखनीय यह है कि Anthropic कुछ विशिष्ट डोमेन-सम्बंधित एजेंटिक कार्यों में प्रतिस्पर्धा से आगे दिखता है:

• एजेंटिक वित्तीय विश्लेषण: यहाँ, Finance Agent v1.1 में 63.3% के साथ Claude Sonnet 4.6 शीर्ष पर है, यहाँ तक कि Opus 4.6 (60.1%) से भी बेहतर।
• ऑफिस कार्य: एक और बेंचमार्क जहाँ Sonnet 4.6 GDPval-AA में 1633 के Elo के साथ पहले स्थान पर है, और Opus 4.6 (1606) दूसरे स्थान पर।

Claude Sonnet 4.6 तक कैसे पहुँचें

आप अभी कई चैनलों के माध्यम से Claude Sonnet 4.6 का उपयोग कर सकते हैं। इसे एक्सेस करने का तरीका यहाँ है:

चैट एक्सेस

Sonnet 4.6 Claude.ai वेब चैट इंटरफ़ेस, इसके iOS और Android ऐप्स, और macOS डेस्कटॉप ऐप में Claude Cowork के साथ उपलब्ध है। 

इन सभी प्लेटफ़ॉर्म पर यह नया डिफ़ॉल्ट मॉडल है, यहाँ तक कि फ्री टियर के लिए भी। इसका मतलब है कि फ़ाइल निर्माण, कनेक्टर्स, स्किल्स, और कॉन्टेक्स्ट कॉम्पैक्शन अब सभी उपयोगकर्ताओं के लिए उपलब्ध हैं।

API एक्सेस

डेवलपर्स Anthropic API के ज़रिए मॉडल आईडी claude-sonnet-4-6 के साथ Claude Sonnet 4.6 का उपयोग कर सकते हैं। इसकी कीमत इसके पूर्ववर्ती के समान ही है: एक मिलियन इनपुट टोकन $3, और एक मिलियन आउटपुट टोकन $15।

एंटरप्राइज़-स्तरीय डिप्लॉयमेंट के लिए, Sonnet 4.6 कई क्लाउड प्लेटफ़ॉर्म पर उपलब्ध है, जैसे AWS Bedrock या Google Vertex AI, प्रत्येक के साथ कस्टम प्राइसिंग।

कोडिंग टूल्स

अब Claude Code भी Claude Sonnet 4.6 से संचालित है, और Pro तथा Team टियर खातों के लिए डिफ़ॉल्ट मॉडल है, जबकि उच्चतर टियर में डिफ़ॉल्ट Opus 4.6 है। यदि आप देखना चाहते हैं कि इससे क्या-क्या बनाया जा सकता है, तो हमारे Claude Code hooks और Claude Code के लिए प्लगइन्स बनाने पर ट्यूटोरियल देखें।

इसके अलावा, Sonnet 4.6 को IDEs और अन्य कोडिंग असिस्टेंट्स, जैसे Cursor या Roo Code, के साथ भी उपयोग किया जा सकता है।

Claude Sonnet 4.6 बनाम Opus 4.6 

कई डोमेन में Sonnet 4.6 और Opus 4.6 के बीच का अंतर इतना मामूली है कि इसे टाई कहा जा सकता है। यह खासकर कई एजेंटिक कार्यों—जैसे एजेंटिक कोडिंग, एजेंटिक कंप्यूटर उपयोग, और एजेंटिक टूल उपयोग—के लिए सही है। कुछ मामलों में Sonnet 4.6, जैसे एजेंटिक वित्तीय विश्लेषण, ऑफिस कार्य, और स्केल्ड टूल उपयोग में Opus 4.6 से बेहतर करता है।

अपेक्षा के अनुरूप, भारी रीज़निंग या क्रिएटिविटी वाले कार्यों—जैसे नये प्रकार की समस्या-समाधान और बहुविषयक रीज़निंग—में Opus 4.6 सचमुच चमकता है। एजेंटिक डोमेन में, Opus 4.6 एजेंटिक टर्मिनल कोडिंग और एजेंटिक सर्च में बेहतर है।

सही Claude मॉडल कैसे चुनें

अधिकांश कोडिंग और एजेंटिक कार्यों के लिए, और जहाँ निर्देशों का पालन करना महत्वपूर्ण है, Claude Sonnet 4.6 बेहतर विकल्प है क्योंकि यह उल्लेखनीय रूप से कम लागत पर मूलतः समान प्रदर्शन देता है। इसके अलावा, गति के मामले में इसे बढ़त है।

जिन टीमों को विशेषज्ञ-स्तरीय रीज़निंग या मल्टी-एजेंट वर्कफ़्लो पर निर्भर रहना है, उन्हें Claude Opus 4.6 चुनना चाहिए। विशेष रूप से शोध, जटिल माइग्रेशन, या उच्च-दांव वाले विशेषज्ञ कार्यों के लिए Opus 4.6 उत्कृष्ट है।

अंतिम विचार

Claude Sonnet 4.5 के साथ, Anthropic कोड, एजेंट्स, और कंप्यूटर उपयोग पर अपना जोर जारी रखता है। अपने पूर्ववर्ती की तुलना में बड़े प्रदर्शन-वृद्धि के अलावा, यह कनेक्टर्स और एडैप्टिव थिंकिंग जैसी सुविधाएँ सभी उपयोगकर्ताओं के लिए, यहाँ तक कि फ्री टियर में भी, उपलब्ध कराता है।

पहले प्रभाव और बेंचमार्क नतीजे वास्तव में अच्छे हैं, और यह एक गेम-चेंजर जैसा लगता है क्योंकि यह भारी कीमत के बिना (लगभग) Opus-स्तर का प्रदर्शन देता है। कई रोज़मर्रा के वर्कफ़्लो में, यह बताना भी कठिन है कि आपको Anthropic का फ्लैगशिप मॉडल क्यों लेना चाहिए। फिर भी, जहाँ भारी रीज़निंग शामिल है, वहाँ Claude Opus 4.6 बेहतर विकल्प बना रहता है।

देखना दिलचस्प होगा कि Claude Sonnet 4.6 बेंचमार्क लीडरबोर्ड्स में कितने समय तक शीर्ष पर बना रहता है और Anthropic के प्रतिस्पर्धी इस रिलीज़ पर कैसे प्रतिक्रिया देते हैं।

हमने इस लेख में पूरे समय एजेंटिक कार्यों पर चर्चा की है। यदि आप Claude Sonnet 4.6 जैसे मॉडलों का इस तरह के वर्कफ़्लो में उपयोग करना सीखना चाहते हैं, तो हमारा AI Agent Fundamentals स्किल ट्रैक लेने की सलाह देता हूँ।