Claude Haiku 5.5 与 Haiku 4.5 对比:十美分如今能买到什么

推理时代阅读约 8 分钟
Claude Haiku 5.5 与 Haiku 4.5 对比:十美分如今能买到什么

Claude Haiku 4.5 在 Terminal-Bench 4.0 上得分 0.0%。Claude Haiku 5.5 得分 39.2%,而每个 token 的成本只有它的十分之一:每百万输入 token 为 $0.10,每百万输出 token 为 $0.50,而 Haiku 4.5 分别为 $1 和 $5。

这就是本次升级的要点。这款小型 Claude 模型已从“适合分类,不适合智能体”进步为可用的子智能体,而且它的价格与 OpenAI 的 GPT-6 Luna 分毫不差。Anthropic 于 2026 年 10 月 7 日以 Claude Haiku 5.5 之名发布,模型 ID 为 claude-haiku-5-5,目前已在 AIHubMix 上架。

这一价格附带条件,基准测试分数也是如此。本文将介绍具体改动,Haiku 5.5 与 Sonnet 5.5 的接近程度,它不适用的场景,以及哪些人现在就应该切换。

改变了什么,没有改变什么

Haiku 4.5 Haiku 5.5
输入 / 输出价格 $1 / $5 $0.10 / $0.50
上下文窗口 200K 1M
最大输出 64K 128K
思考 手动设置预算,默认关闭 自适应,默认开启
努力程度等级 无 五档,默认中等
同一文本的 token 数 基准 约多 30%
浏览器使用工具 否 是

Haiku 5.5 的价格适用于最多 100K token 的提示词;更长的提示词按 $0.50 / $2.50 计费。价格均以每百万 token 计。

未变的是职责定位。Anthropic 仍将 Haiku 定位于高容量、对成本敏感的工作(摘要、压缩、数据库查询、分类),以及在更大模型之下承担子智能体的职责。Anthropic 表示,现有的 Haiku 4.5 提示词无需修改即可良好运行。但现有的请求代码则是另一回事:Haiku 4.5 上可用的五种请求模式,现在会返回 400 错误,具体见 Anthropic 的迁移指南,本系列的迁移文章也有详细说明。

有两项改动会改变模型的默认行为。思考功能现在默认开启,除非你主动关闭,因此一个从未提及思考的请求,也可能先返回 thinking 块,并消耗输出 token 用于思考。此外,Haiku 5.5 是首款配备 努力程度设置的 Haiku,它现在是在成本与质量之间权衡的主要调节旋钮。

与 Haiku 4.5、Luna 和 Sonnet 5.5 的得分对比

以下数据来自 Anthropic 的发布材料以及 Haiku 5.5 系统卡,由 Kingy.ai 整理。这些数据由厂商自行报告(Anthropic 自己进行了部分 GPT 对比测试,例如 OSWorld),目前尚无人能独立复现完整结果。

基准 Haiku 5.5 Haiku 4.5 GPT-6 Luna Sonnet 5.5
GDPval-AA v2.1(Elo) 1620 735 1437 1840
AA-Briefcase v1.1 1578 614 1336 1824
OSWorld 2.1(离线) 72.4% 15.7% 48.9% 83.9%
Humanity's Last Exam 45.9% 10.2% n/a 56.9%
Terminal-Bench 4.0 39.2% 0.0% 16.4% 70.6%
FrontierCode 1.1 Main 46.4% n/a 42.4% 52.1%
Chartography 46.4% 6.4% 29.1% 61.6%

Humanity's Last Exam 和 Chartography 均不使用工具。Sonnet 5.5 的 FrontierCode 分数为 xhigh 努力程度下的结果。

有三点解读比任何单行数据都更重要:

  • 与 Haiku 4.5 相比,它已是不同层级的模型。知识工作类评分大约翻了一番,智能体相关指标也从接近零提升到可用水平。Haiku 4.5 无法完成任何 Terminal-Bench 任务;Haiku 5.5 则能完成约五分之二。
  • 与 GPT-6 Luna 相比,在所有共有指标上它都领先,且列出的价格相同。差距最大的是计算机使用(72.4% 对 48.9%)和 Terminal-Bench(39.2% 对 16.4%)。
  • 与 Sonnet 5.5 相比,差距取决于任务。在 FrontierCode 上,Haiku 仅落后六分。在 Terminal-Bench 上,Sonnet 得分为 70.6%,Haiku 为 39.2%。Anthropic 自己也表示,对于复杂的智能体编程,Sonnet 5.5 和 Opus 5.5 仍是更好的选择。

引用这些数字前请先细读附注

首发分数是在 max 努力程度(成本最高的设置)下测得的。默认值为 medium,而系统卡中 medium 档的结果更低:GDPval-AA 为 1277 而非 1620,AA-Briefcase 为 1372 而非 1578。如果你以默认设置部署,请与这些数字对比,而不是与发布图表对比。

OSWorld 的数字也需要再看一下。72.4% 是按检查点平均的部分得分。Haiku 5.5 完成全部检查点的任务占比为 37.1%(Luna 为 17.1%)。对于必须完整完成整个任务的浏览器智能体而言,应以 37.1% 作为规划依据。

早期客户的反馈

Anthropic 的发布文章引用了多位在发布前测试过该模型的客户。这些内容由厂商挑选,但它们指向了相同的工作负载:

  • AlphaSense 每周约进行 800 万次“Ask in Document”调用。在 400 条测试查询中,Haiku 5.5 得分 0.84,Haiku 4.5 为 0.76。
  • Box 相比 Haiku 4.5 提升了 11 个百分点,延迟约为原来的一半。
  • Asana 测得,与其当前模型相比,每项任务的延迟降低了 30% 以上,每个智能体轮次的推理速度最高提升 2.5 倍。
  • HubSpot 在其 CRM 测试套件上得分 92.8%,是该套件上见过的最佳成绩。
  • Cognition 在 Devin Fusion 中将 Haiku 5.5 作为 Opus 5.5 之下的“助手”使用,并报告这一组合的 FrontierCode 分数达到 66.2,同时成本和延迟更低。

共同模式是:针对文档的短小重复性工作,以及在更大模型之下承担子智能体职责。

Haiku 5.5 不适用的场景

  • 复杂的智能体编程。在 Terminal-Bench 上,Sonnet 5.5 的领先幅度最大。如果任务需要多个步骤、需求含糊,或需要长链条的编辑,应从 Sonnet 5.5 或 Opus 5.5 入手。
  • 超过 100K token 的提示词。1M 的窗口是真实存在的,但价格并非在整个窗口内保持不变。超过 100K token 后,整个请求都按 $0.50 / $2.50 计费;而且由于新的分词器计数约多 30% 的 token,这一界限在按 Haiku 4.5 计数时约相当于 77K token。本系列的定价文章对这些数字做了详细推算。
  • 需要 xhigh 或 max 才能通过的工作。在最高设置下,输出会变得很长且昂贵。Anthropic 自己的建议是,在选定这一档位之前,先与 Sonnet 5.5 进行对比。
  • 使用 Priority Tier 的团队。Haiku 5.5 不支持该功能,因此 Haiku 4.5 的 Priority Tier 承诺不会延续到新模型上。
  • 安全测试。Haiku 5.5 的网络安全防护比 Haiku 4.5 更严格,并会拦截渗透测试。对于此类工作,预计会出现 refusal 停止原因,且不会在服务端回退到其他模型。

通过 AIHubMix 试用

Haiku 5.5 的努力程度设置位于 Messages API 的 output_config 中,因此 AIHubMix 上的 Claude 原生端点是最直接的途径。请安装最新版 Anthropic SDK(pip install -U anthropic),并将其指向 AIHubMix:

import os
import anthropic

client = anthropic.Anthropic(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com",
)

response = client.messages.create(
    model="claude-haiku-5-5",
    max_tokens=2000,  # leave room for thinking, not just the answer
    output_config={"effort": "low"},
    messages=[{
        "role": "user",
        "content": "Classify this ticket as billing, bug, or other: "
                   "'I was charged twice for October.'",
    }],
)

# Thinking blocks can come first, so pick the text block by type.
answer = next(block.text for block in response.content if block.type == "text")
print(answer)
print(response.usage)

首次运行时有一点需要检查:对同一提示词,分别以 low 和 high 运行,并读取 response.usage.output_tokens。如果两者数值没有变化,说明努力程度设置没有传递到模型。Haiku 5.5 在 AIHubMix 上以完整的 1M 上下文窗口运行,因此长提示词可以直接使用;只需牢记 100K 的价格界限。

谁应该切换,谁应该等待

现在切换,如果你的工作是分类、抽取、路由、摘要,或提示词远低于 100K token 的文档问答。你将以极低的 token 价格获得更强的模型。请预留一小时修改请求代码,然后在你自己的评测中对比 low 与 medium 两种努力程度。

现在切换,如果你把大型模型用于它其实绰绰有余的子智能体工作:从文件中提取某个数字、检查一个文件、总结工具返回的结果。这正是 Anthropic 及其发布客户所强调的角色。

再等一个迭代周期,如果你的集成使用了 computer_20250124 工具、预填充(prefill)或 temperature=0。这些在 Haiku 5.5 上都会返回 400,而修复它们属于代码工作,而不只是替换模型名称。

暂时保持现状,如果你的工作负载属于长提示词(经常超过约 77K 个 Haiku 4.5 token)、依赖 Priority Tier,或属于复杂的智能体编程。对于最后一类,有价值的比较是 Haiku 5.5 与 Sonnet 5.5 每完成一项任务的成本,而不是 Haiku 5.5 与 Haiku 4.5 的对比。

准备好进行对比时,AIHubMix 模型列表让 Haiku 5.5、Sonnet 5.5 和 Opus 5.5 共用同一个 API 密钥,因此同一套评测可以同时针对这三者运行。

常见问题

Claude Haiku 5.5 在所有方面都优于 Haiku 4.5 吗?
在 Anthropic 发布表格中的每项基准上都是如此,而且往往优势明显。例外情况更多属于实际使用层面而非质量层面:不支持 Priority Tier,超过 100K token 的提示词每个 token 的费用高于短提示词费率,而且若干旧的请求模式现在会返回错误。

Haiku 5.5 真的便宜 90% 吗?
对于最多 100K token 的提示词,每个 token 的价格低 90%;超过该长度则低 50%。若按请求组合加权(约 90% 的 Haiku 4.5 请求少于 100K token),并考虑新分词器对同一文本多计约 30% token 的因素,Anthropic 估计平均可节省约 75%。默认开启的思考功能会额外增加输出 token,因此你的实际账单还取决于努力程度设置。

Haiku 5.5 与 GPT-6 Luna 相比如何?
两者的列出价格均为每百万输入 token $0.10、每百万输出 token $0.50。在 Anthropic 报告的结果中,凡两者都有的基准,Haiku 5.5 的得分都更高,在计算机使用和 Terminal-Bench 上差距最为明显。Luna 的基础价格适用的提示词长度更长,因此长提示词工作负载应单独定价。

Haiku 5.5 能否在编程方面替代 Sonnet 5.5?
对于范围狭窄、定义清晰的改动以及子智能体任务,它值得测试。对于复杂的多步骤智能体编程,Sonnet 5.5 在 Terminal-Bench 4.0 上的得分远高于它(70.6% 对 39.2%),而 Anthropic 建议此类工作选择 Sonnet 或 Opus。

基准分数是在默认设置下测得的吗?
不是。首发分数是在 max 努力程度下测得的。默认值为 medium,系统卡显示该档位的结果更低,例如 GDPval-AA 为 1277 而非 1620。

1M 上下文窗口是否意味着我可以低成本发送 100 万 token 的提示词?
你可以发送,但超过 100K token 的任何请求,整个请求都按每百万输入 token $0.50、输出 token $2.50 计费。AIHubMix 同样支持完整的 1M 窗口。

迁移时我的代码需要改什么?
至少需要修改:模型 ID、手动设置的思考预算、任何 temperature 或 top_p 参数、任何 assistant 预填充(prefill),以及把第一个内容块当作答案的代码。本系列的迁移文章有完整清单。

继续阅读:Claude Haiku 5.5 系列

来源

一个网关接入多家 AI 服务商, 为生产环境而生。

访问推理时代官网