Anthropic 发布 Claude Haiku 5.5：OSWorld 2.1 从 15.7% 升至 72.4%，超 10 万 Token 后单价涨 5 倍
来源雷峰网查看原文
速览
- Haiku 5.5 计算机操作能力大幅跃升，OSWorld 2.1 从 15.7% 升至 72.4%
- 知识工作与多学科推理同步提升，部分评测已接近 Sonnet 5.5
- 复杂终端编程仍是明显短板，Terminal-Bench 4.0 落后 Sonnet 5.5 逾 30 个百分点
- 首次在 Haiku 系列引入自适应推理，开发者改用 Effort 设置推理强度
- 支持 100 万 Token 上下文，但超过 10 万 Token 后输入输出单价均涨 5 倍
- 缓存读取价格分层，短提示词每百万 0.01 美元，长提示词 0.05 美元
- Sonnet 5.5 缓存读取价格降 50%，带动多数智能体任务成本降约 20%
- 分词器更新，相同内容 Token 数可能变化，需重新测量计费
- API 迁移需处理推理预算、响应解析与多轮消息一致性等问题
Anthropic 发布 Claude Haiku 5.5，这一代升级幅度明显：计算机操作评测 OSWorld 2.1 离线子集成绩从上一代 Haiku 4.5 的 15.7% 提升到 72.4%，Sonnet 5.5 为 83.9%；知识工作评测 GDPval-AA v2.1 得 1620 分（Haiku 4.5 为 735 分，Sonnet 5.5 为 1840 分）；AA-Briefcase v1.1 从 614 分升至 1578 分；Humanity's Last Exam 无工具成绩 45.9%，接入工具后 57.4%。Anthropic 公布的平均运行成本下降约 75%。但复杂编程仍是短板：FrontierCode 1.1 主测试中 Haiku 5.5 得 46.4%，与 Sonnet 5.5 的 52.1% 差距不大，而 Terminal-Bench 4.0 中 Haiku 5.5 仅 39.2%，Sonnet 5.5 达 70.6%，Anthropic 也明确 Sonnet 5.5 与 Opus 5.5 仍更适合复杂智能体编程任务。新模型首次在 Haiku 系列引入自适应推理（Adaptive Thinking），开发者通过 Effort 设置整体推理强度，不再手动指定固定思考 Token 数；支持 100 万 Token 上下文与 12.8 万 Token 输出。定价采用分层：提示词不超过 10 万 Token 时每百万输入 Token 0.10 美元、每百万输出 Token 0.50 美元；超过 10 万 Token 后分别涨至 0.50 美元和 2.50 美元，即输入输出单价均涨 5 倍。缓存读取同样分层，短提示词每百万 Token 0.01 美元，长提示词 0.05 美元。Anthropic 同时把 Sonnet 5.5 的缓存读取价格从每百万 Token 0.20 美元降到 0.10 美元，降幅 50%，称这使 Sonnet 5.5 在多数智能体任务中运行成本下降约 20%。
关键事实
- Claude Haiku 5.5 在 OSWorld 2.1 离线子集取得 72.4%，上一代 Haiku 4.5 为 15.7%，Sonnet 5.5 为 83.9%
- GDPval-AA v2.1 上 Haiku 5.5 得 1620 分，Haiku 4.5 为 735 分，Sonnet 5.5 为 1840 分
- AA-Briefcase v1.1 上 Haiku 5.5 从上一代 614 分提高至 1578 分
- Humanity's Last Exam 无工具成绩 45.9%，接入工具后 57.4%
- FrontierCode 1.1 主测试 Haiku 5.5 得 46.4%，Sonnet 5.5 为 52.1%；Terminal-Bench 4.0 中 Haiku 5.5 为 39.2%，Sonnet 5.5 为 70.6%
- Anthropic 公布新模型平均运行成本下降约 75%
本站视角
对国内做 Agent 和自动化流程的团队来说，Haiku 5.5 最值得关注的是计算机操作能力从 15.7% 跳到 72.4%。OSWorld 测的是通过界面完成长链路任务，涉及界面理解、操作执行和根据环境反馈继续推进——这正是浏览器自动化、RPA、桌面操作类产品过去最依赖大模型、也最烧钱的地方。如果 Haiku 5.5 能以小模型的价格承担其中相当一部分操作步骤，那么「用 Opus 做规划、用 Haiku 做执行」的分层架构就有了更实际的成本基础，Cognition 把 Haiku 5.5 用作 Devin Fusion 辅助模型、由 Opus 5.5 主导的配置就是这类思路。 我们的判断是：这次升级是实质性的，但被两件事限制住了。第一，复杂编程没有跟上。Terminal-Bench 4.0 上 39.2% 对 Sonnet 5.5 的 70.6%，说明在需要持续维护执行状态、处理命令报错、根据测试反馈反复调整的任务里，Haiku 5.5 还不能顶替大模型，Anthropic 自己也这么说。第二，价格结构比宣传口径复杂。平均运行成本下降约 75% 是 Anthropic 公布的数字，但 10 万 Token 以上单价涨 5 倍、分词器变更导致 Token 数变化、内部推理占用输出预算，这几项叠加起来，长上下文智能体任务的实际账单未必下降。 需要观察的是：72.4% 对应的是特定测试集的完成率，不能直接换算成真实浏览器或桌面任务的成功率。真实业务里的动态页面、权限限制、异常状态，都要在对应环境中单独验证。企业案例数据来自各家内部测试，标准不统一，Anthropic 也没给出完整调用次数和 Token 分布，无法据此推算一般业务的节省幅度。 对已经用 Haiku 4.5 扩展思考功能的项目，迁移不是换个模型版本那么简单：旧的固定思考 Token 配置要改，输出上限要重新评估（内部推理会占用输出预算），响应解析不能再假设开头就是答案，多轮工具调用中修改历史消息还可能影响推理状态有效性，部分采样参数也新增了限制。这些改动量不小，建议先在相同测试集上比较完成率、响应时间和调用费用，再决定是否切换。
背景与影响
Haiku 一直是 Anthropic 产品线中主打速度与低成本的一档，过去主要用于摘要、分类、信息提取这类高频任务。这次 Haiku 5.5 把能力边界明显往外推：计算机操作、知识工作和多学科推理的评测成绩都大幅高于上一代，部分指标已经接近 Sonnet 5.5，同时 Anthropic 公布的平均运行成本下降约 75%。这意味着 Haiku 的定位可能从「便宜的小模型」向「能承担部分智能体子任务的模型」移动。 但 Anthropic 自己在发布材料中划了边界：Sonnet 5.5 和 Opus 5.5 仍更适合复杂智能体编程任务，Haiku 5.5 主要面向范围明确的子任务、摘要和上下文压缩。Terminal-Bench 4.0 上 39.2% 对 70.6% 的差距，说明在需要持续规划、读取文件、执行命令、处理错误并根据测试反馈调整的长链路任务上，Haiku 5.5 还不足以替代更大的模型。 定价结构是这次另一个需要拆开看的点。100 万 Token 上下文并不等于全程低价：10 万 Token 是分界线，超过之后输入和输出单价都涨 5 倍。Anthropic 表示 Haiku 4.5 约 90% 的请求长度位于 10 万 Token 以内，也就是说多数现有请求能吃到降价，但长上下文智能体任务会落到更贵的一档。此外分词器更新会让相同文本对应不同的 Token 数量，实际账单需要重新测量。 企业侧数据来自 Asana、HubSpot、AlphaSense、Rogo、Cognition 等公司的内部测试，各自任务与评估标准不同，适合了解特定场景表现，不能直接当作统一的模型能力排名。Anthropic 也没有公布这些案例的完整调用次数、Token 分布和成本明细。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
