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

5h ago

·~4 min·10/8/2026·zh·0

Quick Answer

Anthropic's Claude Haiku 5.5 significantly enhances operational capabilities with a 75% reduction in average running costs and a jump in OSWorld 2.1 scores from 15.7% to 72.4%.

Quick Take

However, it still lags behind Sonnet 5.5 in complex programming tasks, highlighting the need for further improvements in this area.

Key Points

Haiku 5.5 achieves 72.4% in OSWorld 2.1, up from 15.7%.
Average running costs for Haiku 5.5 decreased by approximately 75%.
Complex programming scores show Haiku 5.5 at 39.2% vs Sonnet 5.5's 70.6%.
Introduces Adaptive Thinking for adjustable reasoning intensity.
Supports 1 million tokens context but with tiered pricing structure.

DeepSignal Analysis

Evidence tied to original reporting

What happened

Anthropic's Claude Haiku 5.5 has improved operational capabilities, achieving a 72.4% score in OSWorld 2.1, up from 15.7% in the previous version. The model also boasts a 75% reduction in average running costs. However, it still underperforms compared to Sonnet 5.5 in complex programming tasks, indicating room for further enhancement.

Key evidence

Claude Haiku 5.5 scored 72.4% in OSWorld 2.1, a significant increase from the previous 15.7%.
The average running costs of Haiku 5.5 have decreased by approximately 75%, according to Anthropic's data.
In programming tasks, Haiku 5.5 scored 39.2% in Terminal-Bench 4.0, while Sonnet 5.5 achieved 70.6%.

Why it matters

The advancements in Claude Haiku 5.5 suggest a notable leap in operational efficiency and cost-effectiveness for users. However, the persistent gap in complex programming capabilities compared to Sonnet 5.5 raises questions about the model's suitability for more intricate tasks. This discrepancy highlights the need for ongoing development in this area to meet diverse user needs.

What to watch

📖 Reader Mode

~4 min read

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

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。

作者丨郑佳美

编辑丨岑峰

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。

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。雷峰网(公众号：雷峰网)

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。

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。雷峰网

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。

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。

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。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。

— Originally published at leiphone.com

View original source on leiphone.com

Want this in your inbox every morning?

Daily brief at your local 8am — bilingual EN/中文, free.

Subscribe — it's free

More from 雷峰网 AI

See more →

刚刚，GPT 5.6 发布会上，OpenAI 暴露了哪些 Agent 技术路线？

雷峰网 AI

7/14/2026

FeaturedOriginal

刚刚，GPT 5.6 发布会上，OpenAI 暴露了哪些 Agent 技术路线？

AI Summary

OpenAI's GPT 5.6 integrates ChatGPT and Codex, introducing a for complex task execution, with models Soul, Terra, and Luna for efficient workflow management. The release emphasizes task orchestration, contextual understanding, and robust security measures for enterprise applications.

#Agent #AI Coding #Security #Enterprise AI