Haiku 5.5 到底有多强？官方成绩单里，最值得看的不是第一名

Claude Haiku 5.5 的官方跑分已经出来了。把它和 Haiku 4.5、GPT-6 Luna、Sonnet 5.5 放在一起看，真正值得讨论的问题不是它有没有赢下每一项，而是它把“小模型”的能力边界推进到了哪里。

Anthropic 官方发布的模型是 Claude Haiku 5.5。模型 ID 为 claude-haiku-5-5，发布时间是 2026 年 10 月 7 日。

Anthropic 对 Haiku 5.5 的定位很直接：它是目前最快、最便宜、能力最强的小模型，面向高并发、低延迟和成本敏感的任务。官方给出的典型场景包括分类、信息抽取、摘要、上下文压缩、数据库查询、浏览器操作，以及作为 Sonnet 5.5 或 Opus 5.5 的子代理。

这篇文章只使用 Anthropic 官方公布的 benchmark、价格和产品信息，不把官方成绩单包装成独立实验。我们要做的是把这些数字放回任务类型、价格和模型定位中，看看 Haiku 5.5 到底强在哪里，又有哪些地方仍然不能交给它。

先看结论：Haiku 5.5 已经跨过了“小模型只能做简单活”的分界线

把官方数据放在一起，Haiku 5.5 的轮廓相当清楚：

• 相比 Haiku 4.5，它在 Anthropic 公布的每一项主要 benchmark 上都有大幅提升；
• 在官方同时报告的项目中，它超过了 GPT-6 Luna；
• 它在知识工作、电脑操作和部分推理任务上已经接近 Sonnet 5.5；
• 在复杂 Agent 编程上，它仍然明显落后于 Sonnet 5.5；
• 它最有竞争力的地方，是速度、价格和足够高的任务完成能力叠加在一起。

因此，Haiku 5.5 更适合被理解为一个能力大幅增强的执行层，而不是一个全面取代 Sonnet 5.5 的模型。

官方 benchmark 横向对比

Anthropic 在 Haiku 5.5 的发布页上公布了以下数据。表中的 GPT-6 Luna 和 Sonnet 5.5 数值也来自 Anthropic 的同一张对照表。

这些数字不能简单压缩成“Haiku 5.5 排名第二”。不同 benchmark 测的是完全不同的能力：知识工作关心交付质量，OSWorld 关心模型能否操作真实电脑，Terminal-Bench 关心模型能否在命令行里完成多步骤专业任务，而 Humanity's Last Exam 更偏向高难度知识和推理。

同一个模型在不同任务上表现差异很大，这本身就是评测结果的一部分。

第一项变化：Haiku 5.5 把上一代甩开了

如果只看 Haiku 4.5 和 Haiku 5.5，升级幅度非常明显。

GDPval-AA v2.1 从 735 提高到 1620，约为上一代的 2.2 倍；AA-Briefcase 从 614 提高到 1578，约为 2.6 倍。OSWorld 从 15.7% 提高到 72.4%，Terminal-Bench 则从 0.0% 提高到 39.2%。

这不是“回答措辞更漂亮”级别的变化。OSWorld 和 Terminal-Bench 都涉及长链条操作，模型需要理解任务、调用工具、处理反馈并在中途犯错后继续执行。Haiku 5.5 在这类测试中的提升，说明它已经不再只是一个适合做短文本分类和摘要的模型。

尤其是 OSWorld。Haiku 4.5 的 15.7% 与 Haiku 5.5 的 72.4% 之间存在明显断层。即使考虑 benchmark 设置、离线子集和官方测试条件，这个结果仍然说明 Haiku 5.5 在电脑操作能力上出现了非常大的代际变化。

不过，单项提升不能直接推导出“所有生产任务都提升了同样幅度”。benchmark 衡量的是特定任务集合，实际产品还会受到上下文长度、工具定义、错误恢复、网络延迟和业务数据质量的影响。

第二项变化：它已经进入 GPT-6 Luna 的竞争区间

在 Anthropic 公布的项目里，Haiku 5.5 的表现高于 GPT-6 Luna：

• GDPval-AA：1620 对 1437；
• AA-Briefcase：1578 对 1336；
• OSWorld：72.4% 对 48.9%；
• Terminal-Bench：39.2% 对 16.4%；
• Chartography：46.4% 对 29.1%。

这组数据足以支持一个谨慎的判断：Haiku 5.5 已经进入了主流高性价比模型的竞争区间。

但这里必须保留两个限定。

第一，这些数字来自 Anthropic 的发布页。不同公司对 benchmark 的运行方式、模型配置、工具设置和统计方法可能不同。它们适合用来了解产品方展示的能力位置，不适合直接当成完全独立、完全对称的第三方排名。

第二，“高于 GPT-6 Luna”不等于“所有任务都优于 GPT-6 Luna”。官方表格只支持我们对这些已公布项目做比较，不能把结果外推到没有测试的任务。

合理的表达应该是：

在 Anthropic 公布的对照项目中，Haiku 5.5 展现出了高于 GPT-6 Luna 的成绩；实际选型仍然需要结合任务类型、价格、速度和调用方式判断。

第三项变化：它距离 Sonnet 很近，但仍然没有抹平模型层级

Haiku 5.5 和 Sonnet 5.5 的差距同样有信息量。

在 GDPval-AA v2.1 上，Haiku 5.5 得分 1620，Sonnet 5.5 得分 1840；在 AA-Briefcase 上，两个分数分别是 1578 和 1824。OSWorld 上，Haiku 5.5 为 72.4%，Sonnet 5.5 为 83.9%。Humanity's Last Exam 的无工具成绩分别为 45.9% 和 56.9%，使用工具后分别为 57.4% 和 64.5%。

这些差距说明，Haiku 5.5 已经能够处理相当一部分知识工作和电脑操作，但复杂度继续上升时，Sonnet 5.5 仍然拥有稳定优势。

Terminal-Bench 的差距最值得关注：Haiku 5.5 为 39.2%，Sonnet 5.5 为 70.6%。这个项目要求模型在命令行环境中完成复杂、多步骤的专业任务，更接近长程 Agent 编程。Haiku 5.5 在这里的表现已经远高于 Haiku 4.5，但距离 Sonnet 5.5 仍有很大距离。

这给模型选择提供了一个清晰边界：

• 局部、重复、可验证的工作，Haiku 5.5 很有吸引力；
• 需要长期规划、跨文件修改和连续错误恢复的任务，Sonnet 5.5 仍然更适合；
• 不能因为 Haiku 5.5 在某些 benchmark 上接近 Sonnet，就把两者当成同一个模型的不同价格版本。

价格下降之后，真正应该看“单位任务成本”

Haiku 5.5 的价格是这次发布的另一个重点。

对于不超过 100K tokens 的请求，Haiku 5.5 的输入价格是每百万 tokens 0.10 美元，输出价格是 0.50 美元。超过 100K tokens 后，价格分别变为 0.50 美元和 2.50 美元。Anthropic 称，Haiku 5.5 的平均运行成本比 Haiku 4.5 低约 75%。

表面上看，100K 以内的输入价格从 Haiku 4.5 的 1 美元降到 0.10 美元，输出价格从 5 美元降到 0.50 美元，名义单价下降了 90%。但 Anthropic 也说明，Haiku 5.5 使用了更新的 tokenizer，同样的任务可能消耗略多的 tokens，因此平均运行成本降幅是约 75%，而不是简单的 90%。

对于实际产品，仍然要进一步考虑三件事：

1. Haiku 5.5 一次完成任务的概率是多少；
2. 失败后需要重试几次；
3. 是否需要调用 Sonnet 或 Opus 进行审查和修复。

更有意义的指标是：

每个成功任务的成本
= 完成任务的总费用 ÷ 成功完成的任务数量

假设 Haiku 5.5 的单次调用成本只有 Sonnet 的十分之一，但它在某类任务上需要两次重试，或者 20% 的请求最终要升级到 Sonnet，那么实际节省幅度就会小于价格表里的差距。

反过来，如果一个任务可以自动验证，失败后可以低成本重试，Haiku 5.5 就可能拥有非常强的经济优势。

100K tokens 之后，价格边界会影响产品架构

Haiku 5.5 的价格表里，100K tokens 是一个重要分界点。

对于短请求和中等长度请求，Haiku 5.5 的低价很容易体现出来。但对于代码仓库、长对话、企业知识库和大量文档，产品可能会频繁接近或超过 100K tokens。此时，直接把所有内容塞进一次请求，未必是最优方案。

更合理的架构通常包括：

• 先使用 Haiku 5.5 做文档分类和相关性筛选；
• 将原始内容压缩成结构化摘要；
• 只把与当前问题相关的片段交给更大的模型；
• 对重复上下文使用缓存；
• 将多轮对话保存为可检索状态，而不是每次完整重发。

这也是 Haiku 5.5 与 Agent 架构联系最紧密的地方。它不仅是一个便宜的回答模型，也可以成为上下文压缩、检索结果整理和子任务执行的基础层。

effort 设置让静态排行榜变得不够用了

Haiku 5.5 是 Haiku 系列第一次支持可调 effort 的模型。对于同一模型，系统可以根据任务的重要性调整推理投入，在质量、延迟和成本之间做选择。

这会改变我们阅读 benchmark 的方式。一个固定分数只能告诉我们模型在某个配置下的表现，而一个完整的成本—质量曲线，才能告诉我们模型在不同预算下的行为。

简单任务可能更适合较低 effort：

• 分类；
• 格式转换；
• 固定字段抽取；
• 短文本改写。

中等复杂度的任务可以提高 effort：

• 长文摘要；
• 跨段落信息整合；
• 浏览器中的多步操作；
• 需要先判断再调用工具的任务。

复杂任务即使提高 effort，也不一定能替代 Sonnet。Terminal-Bench 的差距就是一个提醒：推理预算能改善表现，但它不会自动消除模型在长程规划、错误恢复和复杂工具链上的能力差距。

把这些数字翻译成实际的模型路由

综合官方成绩和产品定位，可以先得到一张比较稳妥的路由表：

这张表不是“Haiku 5.5 能力边界”的永久定义。它只是把官方 benchmark、价格和产品定位放在一起后得到的第一版使用建议。

真正部署时，还需要用自己的任务集检查：

• 输出是否满足业务标准；
• 失败是否可以自动发现；
• 失败后重试是否划算；
• 更低的延迟是否能改善产品体验；
• 低价是否会被更高的人工检查成本抵消。

官方 benchmark 应该怎样读

面对新模型的 benchmark，最容易出现两个误区。

第一个误区是把所有项目压缩成一个总排名。知识工作、电脑操作、开放式推理和 Agent 编程是不同能力，不能用一列总分取代。

第二个误区是把官方成绩直接当成生产环境结论。官方 benchmark 有明确的测试配置，但现实产品还会受到 prompt、工具、上下文、网络、数据和错误恢复机制影响。

更可靠的阅读方式是分三步：

先看能力跃迁

Haiku 5.5 相比 Haiku 4.5 是否有稳定提升？从官方表格看，答案是肯定的，尤其体现在 OSWorld、知识工作和 Agent 编程项目上。

再看任务边界

它是否已经追平更大的模型？答案是分任务的。它在部分知识工作和电脑操作中已经接近 Sonnet，但在复杂 Agent 编程上仍然有明显差距。

最后看单位成本

它是否值得使用，取决于质量、价格、延迟和失败恢复共同形成的结果。单看 benchmark 分数，无法回答产品是否应该切换模型。

最终判断：Haiku 5.5 的“强”，体现在可以被大量使用

如果只问 Haiku 5.5 是否超过 Sonnet 5.5，答案很简单：没有。官方数据已经显示，Sonnet 5.5 在知识工作、电脑操作、综合推理和 Agent 编程上仍然占据优势。

如果只问 Haiku 5.5 是否比 Haiku 4.5 更强，答案同样明确：是，而且提升幅度很大。

真正值得讨论的问题是第三个：它是否已经强到足以承担大量生产系统里的局部工作？

从官方成绩和价格来看，答案很可能也是肯定的。

Haiku 5.5 的价值在于，它已经可以把一批过去需要中型模型、但又不值得支付中型模型价格的任务，放进一个更快、更便宜的执行层。分类、抽取、摘要、上下文压缩、短流程浏览器操作和 Agent 子任务，都可能成为它的主要舞台。

它不是一张新的“模型排行榜冠军”成绩单，而是一张关于模型分工的成绩单：

• Haiku 4.5 证明了小模型可以便宜地完成简单工作；
• Haiku 5.5 开始证明，小模型也可以承担一部分需要工具和多步操作的工作；
• Sonnet 5.5 仍然负责更复杂的规划、编码和知识工作；
• Opus 5.5 则继续处理长程、高难度和高错误代价的任务。

模型评测的重点，也正在从“谁的分数最高”转向“谁在什么任务上最值得被调用”。

参考资料

• Anthropic：Introducing Claude Haiku 5.5
• Claude Platform Docs：Models overview