Claude Haiku 5.5 降本背後：操作能力暴漲，複雜編程為何仍差一截？

模型開始按任務動態分配推理，超 10 萬 Token 後，輸入輸出單價均漲 5 倍。作者丨鄭佳美 編輯丨岑 峰 剛剛，Anthropic 發佈了 Claude Haiku 5.5。這次升級的幅度不小，尤其是在計算機操作方面，OSWorld 2.1 評測成績從上一代的 15.7% 提升到了 72.4%。知識工作和複雜推理能力也有明顯改善，而按照 Anthropic 公佈的數據，新模型的平均運行成本還下降了約 75%。除此之外，Haiku 5.5 還加入了自適應推理機制，並支持 100 萬 Token 上下文。

過去，Haiku 主要用來處理摘要、分類、信息提取這些高頻任務，優勢一直是速度快、成本低。這次更新後，它能處理的工作明顯複雜了不少，部分評測成績甚至已經接近 Sonnet 5.5。不過，換到複雜編程任務，兩者的差距依然明顯。再看這次更新的推理機制和價格規則，Haiku 5.5 在不同任務中的表現與實際使用成本，其實還有不少細節需要拆開來看。01複雜編程仍有差距Haiku 5.5 的性能增長主要體現在計算機操作、知識工作和多學科推理幾個方向，其中計算機操作的變化尤其明顯。在 OSWorld 2.1 離線子集上，Haiku 5.5 取得 72.4%，上一代只有 15.7%，Sonnet 5.

5 則達到 83.9%。OSWorld 測試的是模型通過計算機界面完成長鏈路任務的能力，涉及界面理解、操作執行以及根據環境反饋繼續完成任務。與普通文本問答相比，計算機操作存在更多狀態依賴。模型完成一次點擊或者輸入後，頁面可能發生變化，後續動作需要根據新的界面狀態決定。如果操作失敗，模型還要判斷當前環境是否仍然符合任務要求。Haiku 5.5 在這一評測中的增長，說明它處理連續操作任務的能力相比上一代有了明顯改善。但 72.4% 對應的是特定測試集中的完成率，不能直接代表所有瀏覽器或桌面任務的實際成功率。真實業務中的動態頁面、權限限制和異常狀態，仍然需要在對應環境中單獨測試。

知識工作方面，Haiku 5.5 在 GDPval-AA v2.1 上獲得 1620 分，Haiku 4.5 為 735 分，Sonnet 5.5 為 1840 分。該評測涵蓋 44 類職業的實際工作任務，涉及材料分析、信息整合和工作成果生成。另一項 AA-Briefcase v1.1 評測中，Haiku 5.5 從上一代的 614 分提高至 1578 分。多學科推理測試 Humanity's Last Exam 的無工具成績達到 45.9%，接入工具後為 57.4%，也明顯高於上一代。這些評測涉及的任務比普通信息提取更加複雜。

模型需要理解多個信息來源之間的關係，處理材料中的限制條件，並根據已有內容形成結果。工具的引入還增加了信息獲取和結果整合的環節。不過，編程評測呈現出不同的情況。在 FrontierCode 1.1 主測試中，Haiku 5.5 得分為 46.4%，與 Sonnet 5.5 的 52.1% 差距較小。但在 Terminal-Bench 4.0 中，Haiku 5.5 得分為 39.2%，Sonnet 5.5 達到 70.6%。Terminal-Bench 涉及命令行環境下的複雜多步驟任務，模型通常需要讀取文件、執行命令、處理錯誤並根據測試反饋調整操作。它對持續規劃和執行狀態維護的要求較高。

Anthropic 也在發佈材料中明確指出，Sonnet 5.5 和 Opus 5.5 仍然更適合複雜智能體編程任務，Haiku 5.5 則主要面向範圍明確的子任務、摘要和上下文壓縮等工作。企業早期測試提供了更多具體數據。Asana 報告，在 AI Teammates 相關測試中，Haiku 5.5 的任務完成延遲相比其現用模型降低超過 30%，單輪推理速度提高至多 2.5 倍。HubSpot 在模擬 CRM 環境中，測得三次運行平均 92.8% 的成績，AlphaSense 則在 400 次文檔問答測試中，測得 Haiku 5.5 的得分為 0.84，上一代為 0.76。

這些結果來自不同企業的內部測試，各自採用不同的任務與評估標準，適合用於瞭解特定業務場景中的表現，無法直接作為統一的模型能力排名。02自適應推理加入 Haiku除了性能變化，Haiku 5.5 還成為首個支持可調節推理強度的 Haiku 模型。此前 Haiku 4.5 使用擴展思考功能時，開發者需要提前設置固定的內部推理預算。無論任務是簡單的信息查找，還是涉及多個條件的複雜分析，模型可以使用的推理空間都受到預先設置的數值限制。Haiku 5.5 改用 Adaptive Thinking。模型能夠根據任務內容決定是否使用內部推理以及投入多少計算，開發者則通過 Effort 設置整體推理強度。

例如，提取文檔中的日期通常不需要長時間分析，而比較多個合同版本之間的條款差異，需要同時處理更多條件和相互關聯的信息。自適應推理允許模型在這兩類任務中採用不同的計算投入。這一機制也涉及推理時計算資源的分配。對於複雜任務，增加內部推理可以讓模型處理更多中間步驟，但更長的推理過程也會增加 Token 消耗和響應時間。對於簡單任務，減少內部推理能夠降低不必要的計算開銷。Anthropic 在發佈頁面展示了不同推理強度下，Haiku 5.5 在 OSWorld、GDPval-AA 和 Humanity's Last Exam 中的成本與性能關係。

不過，不同任務對額外推理計算的反應並不一致，不能把提高推理檔位直接等同於固定幅度的性能提升。API 層面也有幾項需要處理的變化。首先，Haiku 5.5 不再沿用上一代手動指定固定思考 Token 數量的方式，舊有的推理配置需要調整。其次，內部推理會佔用模型的輸出 Token 預算。如果原有程序只根據最終答案長度設置輸出上限，升級後可能出現內部推理佔用了過多空間，導致正文無法完整生成的情況。另外，啟用自適應推理後，模型響應可能包含獨立的思考數據塊。應用需要正確區分內部推理內容和最終輸出，不能繼續假設返回內容的開頭一定是答案。對於持續使用工具的智能體，推理數據與對話歷史之間還存在一致性要求。

開發者如果在後續請求中修改了已有的歷史消息，可能影響原有推理狀態的有效性。Haiku 5.5 對部分採樣參數也增加了限制，原先依靠這些參數調整輸出行為的應用，需要檢查接口兼容性。這些變化主要影響已經使用 Haiku 4.5 擴展思考功能的項目。遷移時除了替換模型版本，還需要重新檢查推理預算、響應解析和多輪消息處理方式。03百萬上下文沒有統一低價Haiku 5.5 支持 100 萬 Token 上下文和 12.8 萬 Token 輸出，能夠處理較長的文檔、大型代碼內容以及持續運行的工具記錄。不過，Anthropic 沒有為整個上下文窗口設置統一的低價。

對於不超過 10 萬 Token 的提示詞，每百萬輸入 Token 收費 0.10 美元，每百萬輸出 Token 收費 0.50 美元。當提示詞超過 10 萬 Token 後，輸入價格提高至 0.50 美元，輸出價格提高至 2.50 美元。緩存費用也採用分層方式。較短提示詞的每百萬 Token 緩存讀取價格為 0.01 美元，較長提示詞為 0.05 美元。相比重複傳入完整內容，緩存適合複用系統指令、工具定義和公共資料。Anthropic 表示，Haiku 4.5 約 90% 的請求長度位於 10 萬 Token 以內。

這部分請求在新定價下獲得了較大的價格降幅，但實際成本還受到 Token 使用量變化的影響。Haiku 5.5 更新了分詞器，相同內容對應的 Token 數量可能與上一代不同。因此，即使輸入文本沒有變化，升級後的實際計費數量也可能發生變化，需要重新測量。對於長時間運行的智能體，上下文管理會進一步影響成本。例如，一個編程任務可能連續產生文件檢索結果、代碼分析記錄和測試日誌。如果每次調用都攜帶完整歷史，輸入長度會隨著任務推進持續增加。Prompt Caching 可以降低重複內容的讀取費用，而 Compaction 可以將已經完成的操作整理成更短的任務狀態，減少後續調用需要處理的歷史信息。

Anthropic 在發佈材料中將上下文壓縮列為 Haiku 5.5 的主要應用場景之一。具體部署方面，Rogo 報告了使用 Haiku 子智能體從企業 10-K 文件中提取收入數據的案例，由更大的模型負責後續演示文稿製作。Cognition 則將 Haiku 5.5 用作 Devin Fusion 的輔助模型，在 Opus 5.5 主導的配置下，FrontierCode 得分達到 66.2%，並報告成本與延遲有所下降。這些案例採用了不同模型處理不同任務的方式，但發佈材料沒有提供完整的調用次數、Token 分佈和成本明細，因此無法據此計算一般業務採用相同架構後的節省幅度。

此次 Anthropic 還將 Sonnet 5.5 的緩存讀取價格降低 50%，從每百萬 Token 0.20 美元調整為 0.10 美元。按照 Anthropic 的統計，這使 Sonnet 5.5 在多數智能體任務中的運行成本下降約 20%。這一調整僅涉及緩存讀取費用，輸入和輸出 Token 的標準價格並未同步按相同比例下降。04遷移仍要檢查實際任務表現Claude Haiku 5.

5 已經通過 Claude API、AWS、Google Cloud 和 Microsoft Azure 等平臺提供，Anthropic 同時開始更新 Python 和 TypeScript SDK，為計算機操作與瀏覽器操作增加測試版支持。從目前公佈的數據看，Haiku 5.5 在計算機操作、知識工作和多學科推理評測中的成績明顯高於上一代，但複雜終端編程仍與 Sonnet 5.5 存在較大差距。價格方面，較短提示詞能夠獲得更明顯的成本優勢，超過 10 萬 Token 後則適用另一檔收費標準。對於已有的 Haiku 4.5 應用，遷移涉及推理配置、Token 計算和響應解析等具體修改。

如果原來使用 Sonnet 處理部分高頻任務，也可以依據相同測試集比較 Haiku 5.5 的完成率、響應時間和調用費用。Anthropic 已經給出了模型能力、接口變化和定價信息，但實際業務中的成本改善仍需要通過對應工作負載驗證。尤其在多輪工具調用場景中，模型單次請求的價格、任務失敗後的重試次數以及上下文增長情況，需要放在同一次完整任務中核算。上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。