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
- 公布的基准分数是在 max 强度下测得的,但你很可能会以 medium 或 low 强度部署。要了解每个级别在 token 上的成本,以及降低强度会损失什么,请阅读 Claude Haiku 5.5 强度级别:Medium 是默认值,Low 通常已足够
- 十分之一价格这一数字只在新分词器未跨越的提示词长度线以下成立。关于成本计算示例以及容易被忽略的计费规则,请阅读 Claude Haiku 5.5 定价:90% 降价背后的 100K 分界线
- 切换不仅仅是修改模型名称:五种旧的请求写法现在会失败。关于每个错误的原因及修复方法,请阅读 从 Claude Haiku 4.5 迁移到 5.5:五个 400 错误与那些悄然发生的变化
来源
- Introducing Claude Haiku 5.5(Anthropic)
- Claude Haiku 5.5 迁移指南(Claude Platform Docs)
- Claude Haiku 5.5 on AIHubMix
- Claude Haiku 5.5:基准测试、规格与 Sol 和 Luna 对比(Kingy.ai)
- Claude Haiku 5.5 智能、性能与价格分析(Artificial Analysis)



