Claude Sonnet 5.5 de Anthropic, lanzado el 28 de septiembre de 2026, en chat mediante un endpoint compatible con OpenAI. Admite hasta 1.000.000 de tokens y devuelve hasta 128.000, con esfuerzo de razonamiento de none a max y hasta 128 herramientas.
Playground
Estos ejemplos se escribieron para este endpoint. Cambia el prompt y las URL de ejemplo por archivos tuyos accesibles y, antes de enviar, revisa la estimación al día y la disponibilidad del modelo.
- Tipos de entrada
- Texto
- Tipos de salida
- Texto
- Entrada
- $2 / 1 millón de tokens
- Entrada en caché
- $0.20 / 1 millón de tokens
- Salida
- $10 / 1 millón de tokens
- Contexto
- 1M
- Salida máx.
- 128K
$2/10por 1 millón de tokens · entrada / salida
canal-mystery-turn Un turno de ficción interactiva con reasoning_effort none: las reglas del narrador y la historia hasta ahora viajan con la solicitud, la respuesta se mantiene breve y cada turno termina con una decisión para el jugador. Pasa a low o medium cuando un turno deba conciliar pistas plantadas mucho antes.
- 900
- none
- Tipos de entrada
- Texto
- Tipos de salida
- Texto
- Entrada
- $2 / 1 millón de tokens
- Entrada en caché
- $0.20 / 1 millón de tokens
- Salida
- $10 / 1 millón de tokens
- Contexto
- 1M
- Salida máx.
- 128K
$2/10por 1 millón de tokens · entrada / salida
station-crew-scene Tres voces en una escena con todo el intercambio previo adjunto. reasoning_effort se omite, así que se aplica el medium por defecto; el mensaje system fija cómo habla cada personaje para que las tres se mantengan distintas.
- 2000
- Tipos de entrada
- Texto
- Tipos de salida
- Texto
- Entrada
- $2 / 1 millón de tokens
- Entrada en caché
- $0.20 / 1 millón de tokens
- Salida
- $10 / 1 millón de tokens
- Contexto
- 1M
- Salida máx.
- 128K
$2/10por 1 millón de tokens · entrada / salida
manuscript-next-chapter Reglas de voz en el mensaje system y los capítulos escritos hasta ahora en el turno user, y después la solicitud del siguiente capítulo. Esfuerzo medium y un max_tokens muy por encima de la longitud del capítulo, porque el razonamiento sale del mismo presupuesto.
- 6000
- medium
- Tipos de entrada
- Texto
- Tipos de salida
- Texto
- Entrada
- $2 / 1 millón de tokens
- Entrada en caché
- $0.20 / 1 millón de tokens
- Salida
- $10 / 1 millón de tokens
- Contexto
- 1M
- Salida máx.
- 128K
$2/10por 1 millón de tokens · entrada / salida
extract-with-tool Salida legible por máquina sin forzar una herramienta: los parámetros de la herramienta llevan el esquema, tool_choice se queda en auto y el mensaje system indica al modelo que responda llamándola. Esfuerzo en low, porque el trabajo es leer, no razonar.
- 2048
- auto
- low
- Tipos de entrada
- Texto
- Tipos de salida
- Texto
- Entrada
- $2 / 1 millón de tokens
- Entrada en caché
- $0.20 / 1 millón de tokens
- Salida
- $10 / 1 millón de tokens
- Contexto
- 1M
- Salida máx.
- 128K
$2/10por 1 millón de tokens · entrada / salida
review-against-repo Una revisión de código con el repositorio y el cambio en una sola solicitud. El esfuerzo va a high porque cada hallazgo depende de seguir llamadas entre archivos, y max_tokens se sube para que el razonamiento no desplace al informe.
- 16000
- high
Este ejemplo parte de Entrada $2 / Salida $10 por 1 millón de tokens. El Playground actualiza la estimación cada vez que cambias los ajustes.