Claude Haiku 5.5 基准测试全解析：发布表、系统卡数据与各 effort 档位成本

Claude Haiku 5.5 在 OSWorld 2.1 上拿到 72.4%，GDPval-AA v2.1 上拿到 1620，FrontierCode 1.1 上 46.4%，Terminal-Bench 4.0 上 39.2%。作为对比，Haiku 4.5 在其中三项上的成绩分别是 15.7%、735 和 0.0%。以上都是 max effort 档位的数字；在默认的 medium effort 下，GDPval-AA 会降到 1277。截至目前，还没有独立实验室发布过 Haiku 5.5 的评测结果。

下面汇总了 Claude Haiku 5.5 的每一项基准测试、由谁执行、effort 档位对得分和成本的影响，以及如何在 Apifox 里用自己的真实流量来测试这个模型。规格与价格可以先看《什么是 Claude Haiku 5.5》一文。

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。

发布时的成绩表

表中 Haiku 5.5 的成绩均使用自适应思考（adaptive thinking）并开到 max effort，通常取五次试验的平均值（Terminal-Bench 是每个任务跑十次）。“n/r”表示官方没有公布该项结果。

每项基准由谁执行

大部分测试是 Anthropic 自己跑的。跨厂商的行只共享基准名称，测试条件（harness）和 effort 设置并不一定相同。

GPT-6 Luna 的两项成绩需要补充背景。Luna 的 OSWorld 分数是 Anthropic 用 OpenAI 的 API 在同样的 82 个任务上测出来的；Luna 的 Terminal-Bench 16.4% 则来自公开排行榜（Codex CLI，max effort）。在 Terminal-Bench 上，安全防护拦截了 Haiku 5.5 约 1.8% 的试验（660 次中的 12 次），每次拦截都计为失败。

FrontierCode 的陷阱

发布表把 max effort 下的 Haiku 5.5（46.4%）和 Sonnet 5.5 最好成绩 xhigh（52.1%）放在了一起。系统卡（system card）里才是同口径的对比数字：

同样是 max effort，Haiku 5.5 在 Main 上以 46.4% 对 46.2% 险胜 Sonnet 5.5；但各取最佳档位时，Sonnet 领先 5.7 个百分点。引用任何一项成绩时，请说明对应的 effort 档位。

系统卡里的补充数据

系统卡还给出了发布博客没有提到的几行数据。除特别注明外，均为 max effort。

OSWorld 的 72.4% 是部分得分；只有 37.1% 的任务是完全通过。Chartography 在带工具时成绩几乎翻倍（46.4% 到 86.2%），所以处理图表类任务时记得给 Haiku 5.5 配上工具。

默认 effort 的得分更低

在 Claude API 和 Claude Code 中，Haiku 5.5 默认使用 medium。系统卡给出的默认 effort 成绩如下：

调用 API 时不传 output_config.effort，拿到的就是左列的成绩。effort 官方文档覆盖了全部五个档位。

各 effort 档位的得分与成本

数据来自发布图表，格式为得分（成本）。OSWorld 和 Terminal-Bench 的成本按每次尝试计，GDPval-AA 按任务计。

• max 档位在最后一步最烧钱。在 GDPval-AA 上，max 的成本约为 medium 的 28 倍，只多换来 343 个 Elo 点；在 OSWorld 上，max 的成本是 xhigh 的两倍多，只多 4.8 个点。
• OSWorld 上，medium 的 Haiku 5.5 能打赢 max 的 Luna：53.3%（$0.13）对 48.9%（$0.21）。不过在其他所有对应档位上 Luna 都更便宜；medium 档两者成本大致相当。详见《Haiku 5.5 vs GPT-6 Luna》。
• OSWorld 上，max 的 Haiku 5.5 能打过 medium 的 Sonnet 5.5（72.4%、$0.61 对 66.0%、$0.93）。
• Terminal-Bench 是例外。Sonnet 5.5 在 high 档（43.0%，$1.46）花更少的钱就能超过 max 的 Haiku 5.5（39.2%，$2.64）。Sonnet 的成本按新的 $0.10 缓存读取价计算。

成本按官方标价计算：100K token 以内的提示词为每百万 token $0.10/$0.50，超过后价格更高（详见价格拆解一文）。

Haiku 5.5 仍然落后的地方

发布表的每一行都是 Sonnet 5.5 领先。Haiku 唯一的正面胜利是同在 max effort 下的 FrontierCode。差距最大的是 Terminal-Bench 4.0：39.2% 对 70.6%。SWE-Bench Pro（64.8 对 81.3）和 SWE-bench Multimodal（30.7 对 54.3）也是同样的格局。

Anthropic 自己也承认：Sonnet 5.5 和 Opus 5.5 “仍然是复杂 agentic 编码任务的更好选择”。Haiku 5.5 适合范围明确的工作：上下文压缩、摘要、分类、浏览器操作，以及作为大模型手下的 subagent。把它当作廉价 subagent 来用的方法见《在 Claude Code 中使用 Haiku 5.5》一文。

独立评测：暂时没有

截至 2026 年 10 月 8 日，还没有独立实验室发布 Haiku 5.5 的评测结果。Artificial Analysis 的 Haiku 5.5 页面返回 404，其排行榜上也只有 Claude 4.5 Haiku。Vals、LMArena、SWE-bench 和 Aider 同样没有任何动静。目前也没有第三方速度数据；Anthropic 称 Haiku 5.5 是其“迄今为止最快的模型”（标准速度），但在 Fast Mode 下仍慢于 Opus。

最接近的外部数字来自 Cursor。其模型文档称 Haiku 5.5 “在 max effort 下 CursorBench 得分 48.4%”，高于 low 档的 30.9%。关闭思考模式后，Cursor 报告的成绩为 22.1% 到 26.2%，而同样档位下开启思考是 30.9% 到 42.3%。

客户反馈

以下数据来自 Anthropic 的发布博客，未经独立验证：

• HubSpot：在其模拟 CRM 门户测试套件上三次运行平均 92.8%，是该套件有史以来的最好成绩。
• AlphaSense：400 次 Ask in Document 查询得分 0.84，高于 Haiku 4.5 的 0.76，官方称具有统计显著性。
• Box：早期测试中比 Haiku 4.5 高 11 个点，延迟约为一半。
• Asana：任务完成的延迟比现有模型降低 30% 以上。
• Cognition：Devin Fusion 以 Haiku 5.5 为副手、Opus 5.5 为主力，FrontierCode 得分 66.2。这是一个双模型系统，不是 Haiku 单打独斗。

自己动手跑评测

基准测试长得再好，也不等于你的线上流量表现。Anthropic 的提示词指南建议：只在评测证明有收益的地方才用 xhigh 或 max，并把同样的评测跑在 Sonnet 5.5 上做对比。在 Apifox 中可以这样做：

1. 把 ANTHROPIC_API_KEY 存为环境变量，并把 20 到 50 条真实提示词保存为 Messages 请求。
2. 添加断言：状态码 200、stop_reason 不是 "max_tokens" 或 "refusal"、以及正确答案所需的内容断言。
3. 分别在 low、medium 和 high 档位跑一遍。修改 effort 会使提示词缓存失效。
4. 记录通过率和 usage 中的 token 数。同样的文本，新分词器产生的 token 约比 Haiku 4.5 多 30%。
5. 复制整套请求，把模型换成 claude-sonnet-5-5，在同一个项目里对比两个模型。

curl https://api.anthropic.com/v1/messages \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "max_tokens": 8000,
    "thinking": {"type": "adaptive"},
    "output_config": {"effort": "medium"},
    "messages": [{"role": "user", "content": "Classify this support ticket as billing, bug or feature request: ..."}]
  }'

不要发送 temperature、top_p、top_k 或 assistant prefill，它们在 Haiku 5.5 上都会返回 400。响应要按 type 字段筛选内容块，因为 thinking 块可能排在最前面。更多细节见 API 使用指南和 LLM 应用测试两篇文章。

常见问题

Claude Haiku 5.5 比 Sonnet 5.5 强吗？按 Anthropic 的数字，不是。发布表的每一行都是 Sonnet 5.5 领先；Haiku 只在双方都开 max 的 FrontierCode 上险胜（46.4% 对 46.2%）。升级视角可以看《Haiku 5.5 vs Haiku 4.5》。

Haiku 5.5 的 SWE-bench 成绩是多少？SWE-Bench Pro 64.8、SWE-bench Multilingual 83.7、SWE-bench Multimodal 30.7，均为 max effort。

这些基准是在什么 effort 下跑的？max，通常取五次试验的平均。API 默认是 medium，此时 GDPval-AA 得分是 1277 而不是 1620。

有独立的 Haiku 5.5 评测吗？还没有。Artificial Analysis 独立跑了 GDPval-AA 和 AA-Briefcase，但分数是 Anthropic 公布的；AA 官网上没有 Haiku 5.5 的页面。

GPT-6 Luna 更便宜吗？通常是的。在 GDPval-AA 的每个 effort 档位、以及 OSWorld 除 medium 外的所有档位上，Luna 都更便宜（medium 档两者成本大致相同）。但这两项上 Haiku 5.5 的分数都更高。

下一步

从 medium 档位起步，只有当通过率的提升足以覆盖成本时再逐步调高。按上面的清单搭建评测集，把结果和 Sonnet 5.5 的基线放在一起，再决定是否切换生产流量。

HiFox ：将 Agent 变成真正的队友

另外，我们也在思考，AI 如何从个人提效走进团队协作。

HiFox 是一个让人和 AI Agent 在同一个工作现场协作的平台：你可以像给同事分派任务一样指派 Agent，在任务看板中跟踪进度、查看结果，让 Agent 成为团队里的队友。

👉 立即体验 Hifox：https://hifox.com

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。