AnthropicのClaude Sonnet 4.6がGDPval-AA（General-Domain Performance Validation）Eloベンチマークで1,633点を記録し、主要モデルの中で首位に立ちました。GDPval-AAはコーディング・推論・長文処理・多段階タスクを総合的に評価するベンチマークとして注目されており、同スコアは従来フラッグシップモデルであるClaude Opus 4.6に匹敵する水準だとされています。Sonnet価格帯（入力$3/100万トークン前後）でOpus相当の性能が手に入るという「コストパフォーマンスの逆転」として、開発者コミュニティの間で話題を集めています。
Anthropicによると、Sonnet 4.6では長い会話コンテキストでの一貫性維持と、複数ツールを連鎖させるエージェンティックタスクが特に改善されたといいます。実際X上では「Claude 4.6 Sonnetでほぼすべての作業が賄える」という開発者報告が多数見られ、API利用コストを大幅に削減できるとして導入を広げる企業も増えています。なおAnthropicは内部で「Claude Mythos（コードネームCapybara）」という上位モデルの開発を進めていることがリークで判明しており、Sonnet 4.6が「Mythosまでのつなぎ」になるとの見方もあります。
Hacker NewsではGDPval-AAベンチマーク自体の信頼性についての議論が活発に展開されました。「ベンチマーク作成者とモデル開発者が同じエコシステムに属している場合、評価の独立性は担保されているか」という根本的な疑問が提起され、単一のベンチマークではなく複数の独立評価を参照する重要性が改めて指摘されました。
AIモデルの性能向上サイクルが加速する中で、「フラッグシップ」と「ミッドレンジ」の境界は急速に溶けつつあります。2年前はフラッグシップモデルのみが担えたタスクが今や標準モデルでこなせるようになっており、この傾向は開発者の利用体験とAI活用コストの構造を根本から変える可能性があります。