Claude Haiku 5.5 基准成绩解读：谁跑的、哪一项不能直比

Claude Haiku 5.5 在 OSWorld 2.1 上得分 72.4%，在 GDPval-AA v2.1 上为 1620，在 FrontierCode 1.1 上为 46.4%，在 Terminal-Bench 4.0 上为 39.2%。Haiku 4.5 在其中三项上分别得分 15.7%、735 和 0.0%。以上都是 max 档位的数字；在默认的 medium 档位下，GDPval-AA 降至 1277。目前还没有独立实验室公布 Haiku 5.5 的结果。

下文涵盖：Claude Haiku 5.5 的每一项基准测试、由谁运行、effort 如何影响得分与成本，以及如何在 Apifox 中用你自己的流量测试该模型。如需了解规格与定价，请先阅读什么是 Claude Haiku 5.5。

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。

首发表格

Haiku 5.5 的每个单元格都使用 max 档位的自适应思考，通常取五次试验的平均值（Terminal-Bench 每个任务用十次）。“n/r”表示未公布结果。

每项基准测试由谁运行

大多数测试由 Anthropic 自己运行。跨厂商的行只共享基准测试名称，测试框架或 effort 设置未必相同。

GPT-6 Luna 有两个单元格需要说明。Anthropic 通过 OpenAI 的 API 在同样的 82 个任务上运行了 Luna 的 OSWorld 得分。Luna 的 Terminal-Bench 16.4% 来自公开排行榜（Codex CLI，max 档位）。在 Terminal-Bench 上，防护措施中止了 1.8% 的 Haiku 5.5 试验（660 次中的 12 次），每次均计为失败。

FrontierCode 的陷阱

首发表格把 max 档位的 Haiku 5.5（46.4%）与 xhigh 档位的 Sonnet 5.5（52.1%，Sonnet 的最佳成绩）并列。系统卡给出了同口径对比的数字：

在 max 档位下，Haiku 5.5 在 Main 上以 46.4% 对 46.2% 略胜 Sonnet 5.5。在各自的最佳设置下，Sonnet 领先 5.7 分。引用任一数字时，请说明你指的是哪个 effort 档位。

系统卡补充数据

系统卡补充了首发博文略过的行。除特别说明外，均为 max 档位。

OSWorld 的 72.4% 是部分得分；只有 37.1% 的任务完全通过。Chartography 加上工具后几乎翻倍（从 46.4% 到 86.2%），所以做图表类工作时请给 Haiku 5.5 配备工具。

默认 effort 得分更低

Haiku 5.5 在 Claude API 和 Claude Code 中默认使用 medium 档位。系统卡给出了以下默认 effort 的结果：

调用 API 时不传 output_config.effort，就会得到左侧一列的分数。effort 文档覆盖了全部五个档位。

各 effort 档位的得分与成本

数据来自首发图表，格式为得分（成本）。OSWorld 和 Terminal-Bench 的成本按每次尝试计；GDPval-AA 按每个任务计。

• max 档位贵在最后一步。在 GDPval-AA 上，max 的成本约为 medium 的 28 倍，只换来多 343 分 Elo。在 OSWorld 上，max 的成本是 xhigh 的两倍多，只换来 4.8 分。
• OSWorld 上，medium 档位的 Haiku 5.5 胜过 max 档位的 Luna：53.3%（$0.13）对 48.9%（$0.21）。不过在其他所有同档位比较中 Luna 都更便宜；在 medium 档位，两者成本大致相同。参见 Haiku 5.5 vs GPT-6 Luna。
• OSWorld 上，max 档位的 Haiku 5.5 胜过 medium 档位的 Sonnet 5.5（72.4%，$0.61，对 66.0%，$0.93）。
• Terminal-Bench 是例外。high 档位的 Sonnet 5.5（43.0%，$1.46）以更低的成本胜过 max 档位的 Haiku 5.5（39.2%，$2.64）。Sonnet 的成本使用了新的 $0.10 缓存读取价格。

成本采用标价：提示不超过 100K token 时为每百万 token $0.10/$0.50，超过则更高（见定价明细）。

Haiku 5.5 仍然落后的地方

Sonnet 5.5 领先首发表格的每一行。Haiku 唯一在正面对比中取胜的是同为 max 档位的 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）呈现同样的规律。

Anthropic 也认同这一点：Sonnet 5.5 和 Opus 5.5“仍是复杂 agentic 编码任务的更好选择”。Haiku 5.5 适合范围明确的工作：压缩、摘要、分类、浏览器操作，以及作为更大模型下的子 agent。把它当作廉价子 agent 使用的内容见 Haiku 5.5 in Claude Code。

独立结果：尚无

截至 2026 年 10 月 8 日，还没有独立实验室公布 Haiku 5.5 的结果。Artificial Analysis 的 Haiku 5.5 页面返回 404，其排行榜只列出了 Claude 4.5 Haiku。Vals、LMArena、SWE-bench 和 Aider 也都没有显示任何结果。目前没有第三方速度数据；Anthropic 称 Haiku 5.5 是其“迄今最快的模型”（标准速度下），但比 Fast Mode 下的 Opus 慢。

最接近的外部数字来自 Cursor。其模型文档称 Haiku 5.5“在 max 档位下 CursorBench 得分为 48.4%”，高于 low 档位的 30.9%。关闭思考后，Cursor 报告在开启思考时得分为 30.9% 到 42.3% 的相同档位下，得分为 22.1% 到 26.2%。

客户反馈

以下内容来自 Anthropic 的首发博文，未经独立验证：

• HubSpot 称：在其模拟 CRM 门户套件上三次运行的平均分为 92.8%，是该套件上见过的最高分。
• AlphaSense 称：在 400 条 Ask in Document 查询上为 0.84，Haiku 4.5 为 0.76，其称这一差异具有统计显著性。
• Box 称：在早期测试中，比 Haiku 4.5 高 11 分，延迟约为其一半。
• Asana 称：任务完成延迟比其当前模型降低 30% 以上。
• Cognition 称：Devin Fusion 以 Haiku 5.5 作为副手、Opus 5.5 作为主脑，FrontierCode 得分为 66.2。这是双模型系统，并非 Haiku 单独运行。

运行你自己的评估

基准测试与你的实际流量并不相同。Anthropic 的提示指南建议只在你的评估显示有收益的地方使用 xhigh 或 max，并在 Sonnet 5.5 上运行同样的评估以作对比。在 Apifox 中：

1. 将 ANTHROPIC_API_KEY 存为环境变量，并把 20 到 50 条真实提示保存为 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。
3. 在 low、medium 和 high 档位下运行该集合。更改 effort 会使提示缓存失效。
4. 记录通过率和 usage 中的 token 计数。新的分词器对相同文本产生的 token 比 Haiku 4.5 多约 30%。
5. 复制该集合，替换为 claude-sonnet-5-5，在同一个项目中比较两个模型。

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 预填充；在 Haiku 5.5 上每一个都会返回 400。按 type 选择响应块，因为 thinking 块可能排在最前。参见 API 指南和测试 LLM 应用。

常见问题

Claude Haiku 5.5 比 Sonnet 5.5 更好吗？按 Anthropic 的数字来看并非如此。Sonnet 5.5 领先首发表格的每一行；只有在两者都运行在 max 档位时，Haiku 才在 FrontierCode 上略胜一筹（46.4% 对 46.2%）。升级视角见 Haiku 5.5 vs Haiku 4.5。

Haiku 5.5 的 SWE-bench 得分是多少？SWE-Bench Pro 上为 64.8，SWE-bench Multilingual 上为 83.7，SWE-bench Multimodal 上为 30.7，均为 max 档位。

基准测试是在哪个 effort 档位运行的？max，通常取五次试验的平均值。API 默认是 medium，此时 GDPval-AA 得分为 1277 而非 1620。

有独立的 Haiku 5.5 基准测试吗？还没有。Artificial Analysis 独立运行了 GDPval-AA 和 AA-Briefcase，但这些分数是 Anthropic 公布的；AA 没有 Haiku 5.5 页面。

GPT-6 Luna 更便宜吗？通常是的。Luna 在 GDPval-AA 的每个 effort 档位和 OSWorld 的每个档位（medium 除外，两者成本大致相同）都更便宜。Haiku 5.5 在两者上的得分都更高。

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。