Claude Haiku 5.5: árazás, effort-szintek és a Sonnettől átvehető feladatok

A Claude Haiku 5.5 az Anthropic kis modellje nagy volumenű munkához. 2026. október 7-én jelent meg a claude-haiku-5-5 API-modellazonosítóval, és az Anthropic a valaha kiadott „legolcsóbb, leggyorsabb és legképesebb kis modelljeként” mutatja be. Kontextusablaka 1M token, kimenete akár 128K token, az adaptív gondolkodás alapértelmezetten be van kapcsolva, és van effort-beállítása, így ez az első Haiku-osztályú modell, amelyben ilyen van. A legtöbb csapatnak a válasz szűk: osztályozásra, kinyerésre, útválasztásra, összefoglalásra és alügynök-lépésekre használja, a bonyolult ügynökalapú programozást pedig a Sonnet 5.5-nél vagy az Opus 5.5-nél tartja.

Ez a cikk az árkategóriákat és azok jelentését kérésenként, a Haiku 4.5 és a Sonnet 5.5 elleni benchmark-táblázatot, az effort működését ezen a modellen, azt, hogy mely Sonnet 5.5-feladatok térhetnek át ide, és a Haiku 4.5-ről való áttéréskor újra teendő teszteket tárgyalja. Több mint tíz éve dolgozom Vue, Nuxt, TypeScript, Node és PHP területen, és LLM-funkciókat futtatok a saját Nuxt-oldalamon, ezért egy ilyen bejelentéshez gyakorlati kérdéssel közelítek: mely munkafolyamataim költözhetnek olcsóbb modellhez úgy, hogy a minőség mérhetően nem romlik? Minden ár- és benchmark-adat az Anthropic indulási bejegyzéseiből vagy platformdokumentációjából származik; az árak 2026. októberi állapotot tükröznek.

Mi a Claude Haiku 5.5, és hol érhető el?

A Haiku 5.5 bemenetként szöveget és képeket fogad, kimenetként szöveget ad. Jelenleg elérhető a Claude API-n, az Amazon Bedrockon, a Google Cloudon, a Microsoft Foundryn és a Claude Platform on AWS-en. Az API-azonosítója claude-haiku-5-5, a Bedrockon pedig anthropic.claude-haiku-5-5. A platform modelltáblázata nagy volumenű, alacsony késleltetésű feladatokra, például osztályozásra, kinyerésre és útválasztásra ajánlja.

• Kontextus és kimenet: 1M token kontextus, akár 128K token kimenet, a Message Batches API-n beta fejléccel pedig akár 300K token kimenet.
• Gondolkodás és effort: az adaptív gondolkodás alapértelmezetten be van kapcsolva, az effort szabályozza, mennyit gondolkodik. Az alapérték a medium.
• Sebesség: az Anthropic az eddigi legyorsabb modelljének nevezi az egyes modellek szokásos sebességén mérve. Fast Módban lassabban fut, mint az Opus-modellek.
• Tudásállapot: a megbízható tudásdátum és a tanítóadatok dátuma egyaránt 2026. június.
• Életciklus: 2026. október 7-én jelent meg, a kivonás legkorábban 2027. október 7-én várható.

Az Anthropic a modellt olyan munkára pozicionálja, ahol a volumen és a sebesség többet számít a mélységnél. Az indulási bejegyzés összefoglalókat, tömörítéseket, adatbázis-lekérdezéseket és osztályozási kéréseket nevez meg gyors, ismétlődő munkaként, amelyet megbízhatóan kezel, és azt írja, hogy kódolási feladatoknál alügynökként jól párosul az Opus 5.5-tel és a Sonnet 5.5-tel. Sebességérzékeny feladatként az élő ügyfélszolgálatot és a böngészős használatot is megnevezi.

Két dolog előzetes figyelmet igényel. Az 1M-os ablak másként van árazva, mint a 4.6-os és későbbi család többi modellje: azok a teljes ablakot a szokásos áron kínálják, míg a Haiku 5.5-nél a 100,000 tokennél hosszabb promptok magasabb díjat fizetnek. A kiberbiztonsági védelem szigorúbb, mint a Haiku 4.5-nél, de enyhébb más újabb modelleknél; továbbra is blokkolja a behatolásteszteket és a hasonló technikákat. Az Anthropic szerint a szélesebb kiberbiztonsági munkát végző szervezetek jelentkezhetnek a Cyber Verification Programba. Ezt tervezze be, ha biztonsági eszközöket épít.

Az időzítést előre jelezték. Az Anthropic 2026. szeptember 28-i Sonnet 5.5-bejegyzésében azt írta, hogy a Haiku 5.5 „a következő hetekben” csatlakozik a Claude 5.5 családhoz. Kilenc nappal később, október 7-én jelent meg.

Mennyibe kerül a Haiku 5.5 millió tokenenként?

2026. októberi állapot szerint a Haiku 5.5 bemeneti millió tokenenként $0.10-be, kimenetként $0.50-be kerül 100,000 tokenig terjedő promptoknál. A 100,000 token feletti promptok bemenetért $0.50-t, kimenetért $2.50-t fizetnek. A kategóriát az adott kérés promptjának hossza határozza meg, kérésenként.

Három részlet többet változtat a számlán, mint az alapár. Először: a kategóriát meghatározó prompt-hossz minden bemeneti tokent magába foglal, a gyorsítótár-olvasásokat és -írásokat is, így a hosszú prompt cachelése nem viszi az alacsonyabb kategóriába a kérést. Másodszor: a Batch API a bemeneti és kimeneti árakat is felezi, ami olyan munkához illik, amelynél nem kell másodperceken belül válasz. Harmadszor: ha az inference_geo értéke "us", minden tokenkategóriára 1.1x szorzó vonatkozik, és a Haiku 5.5-nél ez a 100,000 token feletti árakra is érvényes.

A gyorsítótár-olvasás a Haiku 5.5-nél az alapbemeneti ár 10%-a: az alsó kategóriában millió tokenenként $0.01, vagyis a tizede annak, amit a Sonnet 5.5 egy gyorsítótár-olvasásért kér ($0.10). Az Anthropic az indulás napján felezte a Sonnet 5.5 gyorsítótár-olvasási árát $0.20-ról $0.10-ra millió tokenenként, és azt írja, hogy ez a legtöbb ügynökalapú feladatnál kb. 20%-kal csökkenti a Sonnet 5.5 költségét. Ugyanezen a napon bejelentették a havi API-keretet a Max- és Team-előfizetőknek, amely a héten indul: havi $100-t a Max 5x-nek, $200-t a Max 20x-nek, egy csapatnak pedig legfeljebb $500-t, a felhasználók között összevonva. A keret az API-t hívó eszközök és ügynökök építését segíti, és bármely modellel használható.

Egy számolt példa szemlélteti a kategóriákat. Tegyük fel, hogy egymillió osztályozási hívás van, mindegyik 1,500 tokenes prompttal és 50 tokenes válasszal. Ez 1.5 milliárd bemeneti és 50 millió kimeneti token. Az alábbi táblázat ezt az alsó kategóriában számolja ki, batch-árakkal és gyorsítótárazással, valamint összehasonlításul a Sonnet 5.5-tel.

A gyorsítótárazott sor $12 az 1.2 milliárd gyorsítótárazott tokenre millió tokenenként $0.01-es áron, plusz $30 a hívásonként megmaradó 300 tokenre millió tokenenként $0.10-es áron. Nem számolja az egyszeri gyorsítótár-írást, és feltételezi, hogy a prefix meleg marad; az 1,200 token túllép a gyorsítótárazás 512 tokenes minimumán. A standard sornál, ha az inference_geo értéke "us", az $175-ös összeg $192.50-re nő.

Hogyan áll a Haiku 5.5 a Haiku 4.5 és a Sonnet 5.5 mellett a benchmarkokon?

Az Anthropic táblázatában a Haiku 5.5 nagy különbséggel előzi meg a Haiku 4.5-öt, ahol a Haiku 4.5-nek van pontszáma, minden sorban a Sonnet 5.5 mögött marad, és minden olyan sorban megelőzi a GPT-6 Luna-t, ahol a Lunának van pontszáma. Ezek gyártói adatok. Iránynak és nagyságrendnek tekintse őket, ne a saját munkafolyamatáról szóló ítéletnek.

Az Anthropic táblázata az alapja minden Haiku-számnak ebben a szakaszban. A Sonnet 5.5-oszlopnál óvatosság szükséges. Az Anthropic Sonnet 5.5-bejegyzése 1,844-et ad a GDPval-AA-ra, 1,811-et az AA-Briefcase-re és 80.1%-ot az OSWorld 2.1-re, „partial” megjelöléssel, míg a Haiku-bejegyzés 1,840-et, 1,824-et és 83.9%-ot ad az offline részhalmazra. A források nem magyarázzák a különbséget, ezért ez a cikk végig a Haiku-bejegyzés számait használja, és nem átlagolja a kettőt. A GPT-6 Luna emellett más modell, mint a Sonnet-bejegyzés GPT-6 Sol-ja.

A legnagyobb rés a Sonnet 5.5-höz képest a Terminal-Bench 4.0-nál van, egy ügynökalapú programozási értékelésnél: 39.2% szemben a 70.6%-kal. Ez illeszkedik az Anthropic saját megállapításához, hogy a bonyolult ügynökalapú programozásnál a Sonnet 5.5 és az Opus 5.5 marad a jobb választás. A legszűkebb rés a FrontierCode-on van: 46.4% szemben 52.1%-kal. A Haiku 4.5-höz képest a legnagyobb ugrás az OSWorld 2.1-en látszik, 15.7%-ról 72.4%-ra. Az Opus 5.5 harmadik fél által mért számaihoz lásd az Artificial Analysis-bejegyzésemet az Opus 5.5-ről; ez külön kérdés a gyártói táblázattól.

Az Anthropic bejegyzése ügyfelek véleményét is idézi, de ezek gyártó által összegyűjtött eredmények, nem független tesztek. Az AlphaSense statisztikailag szignifikáns javulást jelez az Ask in Document funkciójának 400 lekérdezésén: 0.84 a Haiku 5.5-tel szemben 0.76-tal a Haiku 4.5-tel. A Box korai teszteken 11 ponttal magasabb pontszámot említ a Haiku 4.5-nél, kb. felére csökkent késleltetés mellett. A HubSpot egy CRM-jelentési csomagon három futtatás átlagában 92.8%-ot ér el, és ezt a csomagon eddig látott legjobb eredményként írja le.

Hogyan működnek az effort-szintek a Haiku 5.5-nél?

Az effort azt szabályozza, mennyi munkát fektet a modell a teljes válaszba: a szövegbe, az eszközhívásokba és a gondolkodásba. A Haiku 5.5 a low, medium, high, xhigh és max szinteket támogatja, az alapérték a medium. A medium küldése ugyanúgy viselkedik, mint a paraméter elhagyása. Az effort viselkedési jelzés, nem szigorú tokenkeret, a max_tokens pedig továbbra is a teljes kimenet kemény korlátja.

Az effortot az output_config alatt állítja be. Az alábbi minimális hívás az effort-útmutató formáját követi, a Haiku modellazonosítóval:

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-haiku-5-5",
    max_tokens=2048,
    messages=[
        {
            "role": "user",
            "content": "Label this support ticket as billing, bug, or other. Ticket: ...",
        }
    ],
    output_config={"effort": "low"},
)

for block in response.content:
    if block.type == "text":
        print(block.text)

Ez ugyanaz a forma, amelyet az effort-útmutató más modelleknél használ. Hagyja ki a temperature, top_p és top_k paramétereket, ahogy az áttekintés javasolja.

• low: a legolcsóbb és leggyorsabb szint. Az Anthropic chathez, rövid eszközfeladatokhoz és egyszerű, nagy tömegű kérésekhez javasolja. Figyelmeztet is: hosszú ügynök-promptoknál ezen a szinten a modell nagyobb eséllyel hagy ki egy keresést, áll le korán, vagy hagy ki egy ellenőrzést.
• medium: az alapértelmezett, és a legtöbb munka ajánlott kiindulópontja, az ügynökalapú programozást is beleértve.
• high: tudásmunkához, hosszabb ügynökfeladatokhoz és szigorú utasításkövetéshez való.
• xhigh és max: csak olyan munkafolyamatokhoz, ahol az értékelések minőségjavulást mutatnak. Az Anthropic azt javasolja, hogy használat előtt hasonlítsa össze őket a Sonnet 5.5-tel teljesítmény, költség és sebesség szempontjából.

A gondolkodás alapértelmezetten be van kapcsolva, és a max_tokens keretébe számít, ezért hagyjon benne tartalékot. A gondolkodás csökkentéséhez alacsonyabb effort-szintet válasszon. Küldhet thinking: {"type": "disabled"} beállítást is high vagy annál alacsonyabb szinten. Xhigh vagy max szinten ugyanez a kérés 400-as hibát ad, ilyenkor használja inkább az adaptív gondolkodást. Az adaptive értéket ne adja effortként, mert az egy gondolkodási mód, nem szint.

A Claude API-n és a Google Cloudon a Haiku 5.5 béta funkcióként fogadja az üzenetenkénti effort-váltást, a mid-conversation-output-config-2026-07-01 fejléccel; ez megőrzi a promptgyorsítótárat. Letiltott gondolkodás mellett nem működik. Az Anthropic az indulási bejegyzésben három benchmarkot ábrázol az effort függvényében. Ezekből a diagramokból lássa az ellensúlyozás alakját, majd futtassa a saját sweepjét, mert az Opus 5.5-re és a Sonnet 5.5-re vonatkozó útmutatás szerint saját értékeléseken kell sweepelni, nem egy korábbi modell beállításait átvenni.

Mely Sonnet 5.5-feladatok térhetnek át a Haiku 5.5-re?

Először a szűk, nagy volumenű feladatokat helyezze át: osztályozás, kinyerés, útválasztás, összefoglalók és tömörítés, lekérdezések és alügynök-lépések. A bonyolult ügynökalapú programozás, a hibajavítás és a dokumentum- vagy diakészítés maradjon a Sonnet 5.5-nél, az Opus 5.5-öt pedig tartsa a legnehezebb érveléshez.

Az árkülönbség miatt érdemes tesztelni az átvitelt. Az alsó kategóriában a Sonnet 5.5 tokenenként 20-szor annyiba kerül, mint a Haiku 5.5: $2 szemben a $0.10-zel bemenetnél, és $10 szemben a $0.50-nel kimenetnél. 100,000 prompt-token felett a Sonnet 5.5 megtartja a standard árát, így az arány negyedre szűkül: $0.50 szemben $2.00-val bemenetnél, és $2.50 szemben $10-zel kimenetnél.

A táblázat kiindulópont. Egyik forrás sem közöl eredményt pontosan ezekre a munkafolyamatokra, ezért futtassa mindegyiket mindkét modellen, mielőtt átteszi. Az Anthropic maga húzza meg a határt: a bonyolult ügynökalapú programozáshoz a Sonnet 5.5 és az Opus 5.5 marad a jobb választás, a Haiku 5.5 pedig a szűken körülhatárolt feladatokhoz, például a tömörítéshez, az összefoglaláshoz és az alügynök-munkához illik a legjobban. A Box ugyanezt a mintát írja le a saját oldaláról: a Haiku 5.5-öt nagy volumenű elemzési munkára használná, például költségjelentésekre, pénzügyi összefoglalókra és heti ismétlődő áttekintésekre.

Hogyan illeszkedik a Haiku 5.5 a Sonnet 5.5 és az Opus 5.5 mellé?

A Haiku 5.5-öt tegye elé első lépcsőként: vagy útválasztóként, amely a kéréseket szétosztja, vagy alügynökként, amely szűk lépéseket visz, és csak azokat a kéréseket emelje tovább, amelyeknek több képesség kell. Az indulási bejegyzés mindkét szerepet ügyfélpéldákkal mutatja. A Cognition szerint a Haiku 5.5 a Devin Fusion segédmodellje, és a Devin CLI-ben kipróbálható az Opus 5.5-tel mint vezető modellel. A Rogo egy Haiku 5.5-alügynökről ír, amely egy 10-K-ból kiemeli a szegmensbevétel sorát, miközben egy nagyobb modell elkészíti a prezentációt.

Az útválasztónak szüksége van jelzésre, amely alapján tovább emel, a források pedig nem határoznak meg ilyet. Az értékeléseiből válassza: a prompt hosszát, figyelembe véve a 100,000 tokenes kategóriát, a Haiku kimenetének validációs ellenőrzését, vagy a feladat típusát. Bármelyiket is választja, naplózza, melyik úton halad minden kérés. A számla ugyanúgy függ az eszkalációs aránytól, mint a legolcsóbb úttól.

A hosszú promptoknak saját szabály kell. 100,000 token felett a Haiku 5.5 továbbra is a Sonnet 5.5 árának negyede, ezért a Sonnetnek küldött hosszú promptot minőségi adatokkal kell indokolni, nem csak a kategória miatt. A tágabb költségképért lásd a prompt-gyorsítótárazásról és a modell-útválasztásról szóló bejegyzést, a kalibrált bizonyosságú és emberi átadást tartalmazó útválasztáshoz pedig az LLM-útválasztás típusos döntéseit.

Mit kell újra tesztelni a Haiku 4.5-ről való átálláskor?

Az egész kérést tesztelje újra, nem csak a modellnevet. Nő a tokenszám, a mintavételezési paraméterek megszűnnek, a gondolkodás alapértelmezetten be van kapcsolva, és az effort olyan új beállítás, amelyet meg kell adni. Kezdje a valódi promptok tokenszámával, majd futtasson effort-sweepet az értékelésein.

Nő a tokenszám. A Haiku 5.5 a Claude 4.7-es és későbbi modellek által használt újabb tokenizálót használja, az áttekintés szerint pedig ugyanaz a szöveg kb. 30%-kal több tokent tesz ki, mint a Haiku 4.5-nél. Az indulási bejegyzés csökkenési számai a lábjegyzete szerint már tartalmazzák ezt a hatást. A saját költségvetése azonban nem: számolja a tokeneket az 5.5-ös modellazonosítóval valódi promptokon, és ezekből készítse a keretet.

A mintavételezési paraméterek is megszűnnek. Az áttekintés szerint hagyja ki a temperature, top_p és top_k paramétereket, a 400-as hibát okozó értékekhez pedig az migrációs útmutató egy szakaszára mutat. A gondolkodás is változik: az adaptív gondolkodás alapértelmezetten be van kapcsolva, és a gondolkodási blokkok csak abban a fiókban működnek, amelyik létrehozta őket, vagy egy hozzá kapcsolt fiókban. Ez számít, ha beszélgetéseket visz át fiókok között.

A képességeket a Models API-ból olvassa ki, ne jegyzetekből. Minden modell képességobjektuma jelzi, elfogadja-e a thinking: {type: "disabled"} és a between_tools beállítást, és mely szerver-oldali eszközöket támogatja, így a migrációs szkript ellenőrizheti ezeket a jelzőket, mielőtt kérést küld.

Ezután jöhet az effort-sweep. Kezdje medium szinten a legtöbb munkánál, mérje a low szintet az egyszerű, nagy volumenű útvonalakon, a high szintet pedig ott, ahol a hosszú ügynökfutások vagy a szigorú utasításkövetés számít. Az Anthropic figyelmeztet, hogy low szinten a hosszú ügynök-promptoknál a modell nagyobb eséllyel hagy ki keresést, áll le korán vagy hagy ki ellenőrzést, ezért vegyen fel az értékelésekbe olyan eseteket, amelyek éppen ezeket a kihagyásokat vizsgálják. A promptok átírása előtt olvassa el a Prompting Claude Haiku 5.5 útmutatót, amelyre az áttekintés hivatkozik, mert ez a modell sajátos viselkedését írja le. A cikk forrásai más változást nem sorolnak fel; mindent mást az értékeléseinek kell megtalálniuk.

Gyakorlati ellenőrzőlista a munkafolyamat átállítása előtt

Minden munkafolyamatnál ebben a sorrendben haladjon, és tartsa a Sonnet 5.5-útvonalat tartalékként, amíg az értékelések mást nem mutatnak.

1. Bontsa a forgalmat prompt-hossz szerint, és számolja meg a 100,000 token feletti kéréseket, mert ezek a magasabb kategóriát fizetik.
2. Számoljon tokeneket a claude-haiku-5-5 azonosítóval valódi promptokon. Adja hozzá az eszközhasználati rendszerpromptot, amelyet az árazási oldal 286 tokenben ad meg auto vagy none eszközválasztásnál, és 406 tokenben any vagy tool esetén.
3. Távolítsa el a temperature, top_p és top_k paramétereket minden kérésből, és adja meg kifejezetten az output_config.effort értéket, a medium szinttel kezdve.
4. Hagyjon helyet a max_tokens-ben a gondolkodásnak, és hagyja bekapcsolva a gondolkodást, hacsak a sweep nem mutatja, hogy az adott munkafolyamatnál nincs rá szükség.
5. Egy közös értékelési készleten futtasson effort-sweepet. A low szintet csak ott használja, ahol a kihagyás-ellenőrzések továbbra is átmennek, az xhigh vagy max szintre pedig csak akkor lépjen, ha a pontszám emelkedik.
6. A nem sürgős munkát küldje a Batch API-n a fele áron, a közös prefixeket pedig gyorsítótárazza, ha legalább 512 tokenesek.
7. Naplózza minden kérésnél az utat, az eszkalációs okot, a tokenszámokat és az értékelési pontszámot, hogy lássa az eszkalációs arányt és az útvonalankénti tényleges költséget.

Ha az ilyen modellek köré épít útválasztó- és értékelési réteget, az oldalon két kapcsolódó bejegyzés megy tovább: az érvelési effort és a gondolkodási keretek az effort-sweepeket részletezi, a kis nyelvi modellek pedig arról szólnak, mikor elég egy kis modell. Ha LLM-funkciókat visz élesbe, az AI-mérnöki munkámról szóló oldalon találhat további információt.

Források

1. Anthropic: Introducing Claude Haiku 5.5 (October 7, 2026)
2. Claude Platform docs: Claude Haiku 5.5 overview
3. Claude Platform docs: Pricing
4. Claude Platform docs: Effort
5. Anthropic: Introducing Claude Sonnet 5.5 (September 28, 2026)
6. Claude Platform docs: Models overview