Claude Haiku 5.5 降本背后：操作能力暴涨，复杂编程为何仍差一截？

来源：AI科技评论

作者：郑佳美

编辑：岑 峰

模型开始按任务动态分配推理，超 10 万 Token 后，输入输出单价均涨 5 倍。

刚刚，Anthropic 发布了 Claude Haiku 5.5。

这次升级的幅度不小，尤其是在计算机操作方面，OSWorld 2.1 评测成绩从上一代的 15.7% 提升到了 72.4%。知识工作和复杂推理能力也有明显改善，而按照 Anthropic 公布的数据，新模型的平均运行成本还下降了约 75%。

除此之外，Haiku 5.5 还加入了自适应推理机制，并支持 100 万 Token 上下文。过去，Haiku 主要用来处理摘要、分类、信息提取这些高频任务，优势一直是速度快、成本低。

这次更新后，它能处理的工作明显复杂了不少，部分评测成绩甚至已经接近 Sonnet 5.5。不过，换到复杂编程任务，两者的差距依然明显。

再看这次更新的推理机制和价格规则，Haiku 5.5 在不同任务中的表现与实际使用成本，其实还有不少细节需要拆开来看。

01

复杂编程仍有差距

Haiku 5.5 的性能增长主要体现在计算机操作、知识工作和多学科推理几个方向，其中计算机操作的变化尤其明显。

在 OSWorld 2.1 离线子集上，Haiku 5.5 取得 72.4%，上一代只有 15.7%，Sonnet 5.5 则达到 83.9%。OSWorld 测试的是模型通过计算机界面完成长链路任务的能力，涉及界面理解、操作执行以及根据环境反馈继续完成任务。

与普通文本问答相比，计算机操作存在更多状态依赖。模型完成一次点击或者输入后，页面可能发生变化，后续动作需要根据新的界面状态决定。

如果操作失败，模型还要判断当前环境是否仍然符合任务要求。Haiku 5.5 在这一评测中的增长，说明它处理连续操作任务的能力相比上一代有了明显改善。

但 72.4% 对应的是特定测试集中的完成率，不能直接代表所有浏览器或桌面任务的实际成功率。真实业务中的动态页面、权限限制和异常状态，仍然需要在对应环境中单独测试。

知识工作方面，Haiku 5.5 在 GDPval-AA v2.1 上获得 1620 分，Haiku 4.5 为 735 分，Sonnet 5.5 为 1840 分。该评测涵盖 44 类职业的实际工作任务，涉及材料分析、信息整合和工作成果生成。

另一项 AA-Briefcase v1.1 评测中，Haiku 5.5 从上一代的 614 分提高至 1578 分。多学科推理测试 Humanity's Last Exam 的无工具成绩达到 45.9%，接入工具后为 57.4%，也明显高于上一代。

这些评测涉及的任务比普通信息提取更加复杂。模型需要理解多个信息来源之间的关系，处理材料中的限制条件，并根据已有内容形成结果。工具的引入还增加了信息获取和结果整合的环节。

不过，编程评测呈现出不同的情况。在 FrontierCode 1.1 主测试中，Haiku 5.5 得分为 46.4%，与 Sonnet 5.5 的 52.1% 差距较小。但在 Terminal-Bench 4.0 中，Haiku 5.5 得分为 39.2%，Sonnet 5.5 达到 70.6%。

Terminal-Bench 涉及命令行环境下的复杂多步骤任务，模型通常需要读取文件、执行命令、处理错误并根据测试反馈调整操作。它对持续规划和执行状态维护的要求较高。

Anthropic 也在发布材料中明确指出，Sonnet 5.5 和 Opus 5.5 仍然更适合复杂智能体编程任务，Haiku 5.5 则主要面向范围明确的子任务、摘要和上下文压缩等工作。

企业早期测试提供了更多具体数据。Asana 报告，在 AI Teammates 相关测试中，Haiku 5.5 的任务完成延迟相比其现用模型降低超过 30%，单轮推理速度提高至多 2.5 倍。

HubSpot 在模拟 CRM 环境中，测得三次运行平均 92.8% 的成绩，AlphaSense 则在 400 次文档问答测试中，测得 Haiku 5.5 的得分为 0.84，上一代为 0.76。

这些结果来自不同企业的内部测试，各自采用不同的任务与评估标准，适合用于了解特定业务场景中的表现，无法直接作为统一的模型能力排名。

02

自适应推理加入 Haiku

除了性能变化，Haiku 5.5 还成为首个支持可调节推理强度的 Haiku 模型。

此前 Haiku 4.5 使用扩展思考功能时，开发者需要提前设置固定的内部推理预算。无论任务是简单的信息查找，还是涉及多个条件的复杂分析，模型可以使用的推理空间都受到预先设置的数值限制。

Haiku 5.5 改用 Adaptive Thinking。模型能够根据任务内容决定是否使用内部推理以及投入多少计算，开发者则通过 Effort 设置整体推理强度。

例如，提取文档中的日期通常不需要长时间分析，而比较多个合同版本之间的条款差异，需要同时处理更多条件和相互关联的信息。自适应推理允许模型在这两类任务中采用不同的计算投入。

这一机制也涉及推理时计算资源的分配。对于复杂任务，增加内部推理可以让模型处理更多中间步骤，但更长的推理过程也会增加 Token 消耗和响应时间。对于简单任务，减少内部推理能够降低不必要的计算开销。

Anthropic 在发布页面展示了不同推理强度下，Haiku 5.5 在 OSWorld、GDPval-AA 和 Humanity's Last Exam 中的成本与性能关系。不过，不同任务对额外推理计算的反应并不一致，不能把提高推理档位直接等同于固定幅度的性能提升。

API 层面也有几项需要处理的变化。首先，Haiku 5.5 不再沿用上一代手动指定固定思考 Token 数量的方式，旧有的推理配置需要调整。其次，内部推理会占用模型的输出 Token 预算。如果原有程序只根据最终答案长度设置输出上限，升级后可能出现内部推理占用了过多空间，导致正文无法完整生成的情况。

另外，启用自适应推理后，模型响应可能包含独立的思考数据块。应用需要正确区分内部推理内容和最终输出，不能继续假设返回内容的开头一定是答案。

对于持续使用工具的智能体，推理数据与对话历史之间还存在一致性要求。开发者如果在后续请求中修改了已有的历史消息，可能影响原有推理状态的有效性。

Haiku 5.5 对部分采样参数也增加了限制，原先依靠这些参数调整输出行为的应用，需要检查接口兼容性。这些变化主要影响已经使用 Haiku 4.5 扩展思考功能的项目。迁移时除了替换模型版本，还需要重新检查推理预算、响应解析和多轮消息处理方式。

03

百万上下文没有统一低价

Haiku 5.5 支持 100 万 Token 上下文和 12.8 万 Token 输出，能够处理较长的文档、大型代码内容以及持续运行的工具记录。

不过，Anthropic 没有为整个上下文窗口设置统一的低价。对于不超过 10 万 Token 的提示词，每百万输入 Token 收费 0.10 美元，每百万输出 Token 收费 0.50 美元。当提示词超过 10 万 Token 后，输入价格提高至 0.50 美元，输出价格提高至 2.50 美元。

缓存费用也采用分层方式。较短提示词的每百万 Token 缓存读取价格为 0.01 美元，较长提示词为 0.05 美元。相比重复传入完整内容，缓存适合复用系统指令、工具定义和公共资料。

Anthropic 表示，Haiku 4.5 约 90% 的请求长度位于 10 万 Token 以内。这部分请求在新定价下获得了较大的价格降幅，但实际成本还受到 Token 使用量变化的影响。

Haiku 5.5 更新了分词器，相同内容对应的 Token 数量可能与上一代不同。因此，即使输入文本没有变化，升级后的实际计费数量也可能发生变化，需要重新测量。

对于长时间运行的智能体，上下文管理会进一步影响成本。例如，一个编程任务可能连续产生文件检索结果、代码分析记录和测试日志。

如果每次调用都携带完整历史，输入长度会随着任务推进持续增加。Prompt Caching 可以降低重复内容的读取费用，而 Compaction 可以将已经完成的操作整理成更短的任务状态，减少后续调用需要处理的历史信息。

Anthropic 在发布材料中将上下文压缩列为 Haiku 5.5 的主要应用场景之一。具体部署方面，Rogo 报告了使用 Haiku 子智能体从企业 10-K 文件中提取收入数据的案例，由更大的模型负责后续演示文稿制作。

Cognition 则将 Haiku 5.5 用作 Devin Fusion 的辅助模型，在 Opus 5.5 主导的配置下，FrontierCode 得分达到 66.2%，并报告成本与延迟有所下降。

这些案例采用了不同模型处理不同任务的方式，但发布材料没有提供完整的调用次数、Token 分布和成本明细，因此无法据此计算一般业务采用相同架构后的节省幅度。

此次 Anthropic 还将 Sonnet 5.5 的缓存读取价格降低 50%，从每百万 Token 0.20 美元调整为 0.10 美元。按照 Anthropic 的统计，这使 Sonnet 5.5 在多数智能体任务中的运行成本下降约 20%。

这一调整仅涉及缓存读取费用，输入和输出 Token 的标准价格并未同步按相同比例下降。

04

迁移仍要检查实际任务表现

Claude Haiku 5.5 已经通过 Claude API、AWS、Google Cloud 和 Microsoft Azure 等平台提供，Anthropic 同时开始更新 Python 和 TypeScript SDK，为计算机操作与浏览器操作增加测试版支持。

从目前公布的数据看，Haiku 5.5 在计算机操作、知识工作和多学科推理评测中的成绩明显高于上一代，但复杂终端编程仍与 Sonnet 5.5 存在较大差距。价格方面，较短提示词能够获得更明显的成本优势，超过 10 万 Token 后则适用另一档收费标准。

对于已有的 Haiku 4.5 应用，迁移涉及推理配置、Token 计算和响应解析等具体修改。如果原来使用 Sonnet 处理部分高频任务，也可以依据相同测试集比较 Haiku 5.5 的完成率、响应时间和调用费用。

Anthropic 已经给出了模型能力、接口变化和定价信息，但实际业务中的成本改善仍需要通过对应工作负载验证。尤其在多轮工具调用场景中，模型单次请求的价格、任务失败后的重试次数以及上下文增长情况，需要放在同一次完整任务中核算。