Claude Sonnet 5 vs GPT-5.6 Terra：繁中貴三成，長文反而便宜

這兩顆模型是同一個價格帶裡的真正二選一。輸入牌價一模一樣，都是 $2 / 1M tokens，輸出是 $10 對 $12。

拿近 4.8 萬筆公開對戰紀錄跑統計檢定，29 個維度裡 Claude Sonnet 5 顯著較高的有 4 個、GPT-5.6 Terra 有 1 個，剩下 24 個分不出來。做完多重比較校正，兩邊都變成 0 個。

分得出來的是帳單。同一份繁體中文，Claude Sonnet 5 的輸入貴 31.9%。但輸入一旦超過 272,000 token，GPT-5.6 Terra 整包改以兩倍計價，便宜的那個當場換人。

先給選擇規則

本表是下面各節結論的摘要，不含新資料，每一條的依據見對應章節。

底下說明每一條是怎麼來的。

29 個維度，校正之後兩邊都是 0

對戰資料來自 LMArena 的 leaderboard-dataset，快照日 2026 年 8 月 21 日，授權 CC BY 4.0。

用的是 text_style_control 這個設定，它會把排版風格的影響排掉。不控制的話，量到的會有一部分是排版而不是能力。

兩邊的樣本量相近：Claude Sonnet 5 有 27,366 筆對戰、總排名第 45，GPT-5.6 Terra 有 20,216 筆、第 44。

判斷有沒有差距，常見的錯法是把兩邊各自的信賴區間畫出來看有沒有重疊。那個檢定過度保守，會把真的有差距的判成沒有。

正確的做法是先算兩邊的差值，再算這個差值自己的信賴區間。下面這張圖畫的就是後者，所以看的是橫線有沒有碰到 0。

資料為 LMArena leaderboard-dataset，text_style_control 設定，快照日 2026-08-21。橫線是分數差的 95% 信賴區間，用 z = (r_a − r_b) / √(var_a + var_b) 算出。

看得出來的形狀是：所有的點都擠在 0 附近，而橫線最長的幾個維度（法文、日文、德文、波蘭文、韓文）票數都在 500 上下，區間寬到 ±32 至 ±50 分。那不是差距，是量得不夠。

以 p<.05 這個寬鬆門檻算，Claude Sonnet 5 在醫療健康、生命與自然科學、長題目、困難題英文這 4 個維度較高，GPT-5.6 Terra 在非英文這 1 個維度較高。

但 29 個維度同時檢定，光靠運氣就會跑出大約 1.5 個假陽性。做 Bonferroni 校正之後門檻升到 |z| > 3.13，兩邊都是 0 個。

總分那一列最能說明狀況：1,461.2 對 1,465.4，差 4.2 分，區間 ±7.2。兩邊的總排名是第 45 與第 44。

名字後面那個 high 和 xhigh

榜上這兩筆分別是 claude-sonnet-5-high 與 gpt-5.6-terra-xhigh，也就是各自在某一個推理強度設定下的成績，不是模型的全部。

上一篇比 DeepSeek 那組時，同一顆模型在榜上有三個變體，可以拿變體之間的交集當穩健性檢查。這組沒有第二個變體，那個手法在這裡用不上。

牌價只差在輸出那 2 塊錢

牌價與規格取自兩家官方文件，本站 價格對照表查證於 2026-08-25。快取寫入兩邊都是輸入價的 1.25 倍，五分鐘效期。

七個欄位裡有五個一樣。唯一的差是輸出價，Claude Sonnet 5 便宜 16.7%。

如果比較到這裡就停，結論會是「品質分不出來，輸出便宜的那個划算一點」。接下來兩節說明為什麼那個結論會反過來。

換成繁體中文，便宜的那個換人

牌價是「每個 token 多少錢」，帳單是「這段文字被切成幾個 token，再乘上牌價」。中間那一步兩家差很多。

本站拿一份 14,951 字的繁體中文語料，直接打兩家的計數 API 量過。兩顆都是實測值，不是從同家族推及來的。

每 10,000 個繁體中文字的 token 數與費用，語料 14,951 繁中字（五種文體混合），量測於 2026-08-12。方法與全部 23 個模型的比例見繁中 token 成本實測。

同一份繁體中文，Claude Sonnet 5 要多切出 31.9% 的 token。輸入牌價一樣，所以輸入成本原封不動貴 31.9%。

輸出那邊更值得看。牌價上 Claude Sonnet 5 便宜 16.7%，乘上 token 數之後變成貴 9.9%。方向整個翻過來。

這不是誰對中文比較友善的問題，是 tokenizer 的合併規則由訓練語料統計決定，而且它是廠商層級的選擇。在同一家裡換型號改不掉。

272,000 token 那道門檻，過了就整包重算

GPT-5.6 Terra 有一條 官方文件寫明的階梯：輸入超過 272,000 token 時，該次請求全額改以 2 倍輸入、1.5 倍輸出計價。

關鍵在「全額」。不是超出的部分才漲，是整包重新計價，所以它是一階而不是一個坡。

用上一節的係數換算，272,000 token 大約是 208,600 個繁體中文字。

單次請求的輸入費用，橫軸為繁體中文字數。牌價查證於 2026-08-25，token 係數量測於 2026-08-12，兩者的有效期不一樣。

門檻前一刻，這份輸入在 GPT-5.6 Terra 是 $0.54、在 Claude Sonnet 5 是 $0.72。門檻後一刻，同一份輸入在 GPT-5.6 Terra 變成 $1.09。

而且過了就回不去。門檻之後 GPT-5.6 Terra 的斜率比 Claude Sonnet 5 陡，兩條線不會再交叉一次。輸出側同理，$18 對 $10，換算繁中之後 Claude Sonnet 5 便宜 27%。

Anthropic 那邊沒有這道門檻。官方定價頁寫的是整個 1M context window 都用標準價，並且明講 90 萬 token 的請求跟 9 千 token 的請求費率相同。

1M context 裝得下多少繁體中文字？

兩家標的 context window 差不多，但那是 token 額度，換算成繁體中文字之後差距會被 tokenizer 放大。

輸入額度為 context window 減去最大輸出，再除以本站量到的每字 token 數。GPT-5.6 Terra 的 922,000 是官方模型頁自己印的 max input tokens，跟這個算式對得起來。

GPT-5.6 Terra 能吞下的繁體中文字多出 39%。但它的 20.9 萬字門檻在那 70 萬字額度的前三分之一，所以額度剩下的三分之二是兩倍價。

Claude Sonnet 5 的 50 萬字則是從頭到尾同一個費率。要一次丟進去的東西越長，這件事越重要。

從台灣打，Terra 的首字快了一半

從台北實測，2026-08-16 至 18，各 19 次成功呼叫，百分位用 nearest-rank 不內插。完整方法與其他六個模型見台灣連線延遲實測。

首字延遲 787 對 1,350 毫秒，吐字速度 270 對 158 字元。兩項都是 GPT-5.6 Terra 領先，而且 p95 差得更開。

差的不是距離。連線層（DNS 加 TCP 加 TLS）是 104.8 對 101.1 毫秒，兩家都有亞洲節點，這一段幾乎一樣。

兩邊的輸出長度中位數都是 110 個字元，代表比的是同一件事。輸出長度對不上的配對，多出來的毫秒是思考時間而不是速度差，本站的量測工具已經把那種列擋掉。

要提醒的是 n 只有 19，而且取樣集中在深夜與晚間兩個時段。這組數字撐得起「哪一顆比較快」的方向，撐不起精確倍數。

這組該怎麼選

先問一個問題：你的輸入會不會超過約 21 萬個繁體中文字。

不會的話，選 GPT-5.6 Terra。它在同一份繁體中文上少 24% 的 token、從台灣量到的首字快四成，而品質那邊沒有任何一個維度撐得住多重比較校正。

會的話，選 Claude Sonnet 5。門檻一過，兩倍計價會把 tokenizer 省下來的那 24% 連本帶利吃掉，而且再也不會翻回來。

真正麻煩的是介於中間的情況：平常兩三萬字，偶爾一次丟進去二十幾萬字。這時候拿一顆模型硬扛兩種負載會有一邊吃虧，把長文那條路由到另一顆才是省錢的作法。

至於「哪一顆比較聰明」，這篇沒有答案，因為近 4.8 萬筆對戰資料也給不出答案。把它當成決策依據，等於在雜訊上做選擇。

這篇答不了的三件事

公開資料的好處是可以重跑，代價是它只回答它量過的東西。有三個位置刻意留白。

中文能力誰比較強。 中文那個維度 GPT-5.6 Terra 高 18.7 分，但這個差的信賴區間是 ±22.2，跨過 0。票數只有 1,805 與 1,398，那是區間這麼寬的原因。繁中內容講中文能力時常見的「略勝一籌」，比這個資料還沒有來源。

本站的第三把尺是空的。 學測數學 B 那 16 題兩顆模型都沒跑過，所以這篇沒有獨立於對戰資料之外的能力量測。延遲與 token 係數量的是速度與帳單，不是答對率。

推理強度只有一組。 榜上這兩筆各是一個設定，換一個強度檔，成績會動、價格不會動。所以本文的成本結論比品質結論穩。

今天可以做的一件事

打開本站的 token 計算器，把你最長的那一份輸入貼進去，看它離 272,000 token 還有多遠。

如果那個數字在 20 萬以下，這篇的結論對你就是一句話：選 token 切得少的那顆。

如果它會撞到門檻，把長文那條路徑單獨拉出來，指到不會翻倍計價的那顆。改的是路由設定，不是整套系統。