Claude Haiku 5.5：官方 Benchmark 总表，与只按最高档给出的这组分数
Anthropic 把 Haiku 5.5 定为迄今最便宜最快的 Haiku 类模型、也是第一款带 effort 档的一款；本文用一张官方横向总表给出它与 Haiku 4.5、Sonnet 5.5、GPT-6 Luna 及各家主力模型在发布页与系统卡全部评测上的可核验跑分，并说明那组最高分落在哪个档位、默认档又少多少。
Anthropic 在 2026 年 10 月 7 日发布 Claude Haiku 5.5，把它定为迄今最便宜、最快的一款 Haiku 类模型，也是第一款带 effort 档位的 Haiku 类模型。1
官方给的用法是高并发、对成本敏感的任务：摘要、上下文压缩、数据库查询、分类，以及给 Opus 5.5 和 Sonnet 5.5 当编码子代理。1
价格是这期最直接的一组数字。100K token 以内的提示，每百万 token 输入 0.10 美元、输出 0.50 美元；超过 100K 的提示按输入 0.50 美元、输出 2.50 美元计。1
官方脚注的口径是：100K 以内的请求比 Haiku 4.5 便宜 90%，超过 100K 便宜 50%；「平均便宜约 75%」这个说法还计入了 tokenizer 换代带来的 token 用量变化，Haiku 5.5 换了与 Sonnet 5.5、Opus 5.5 相近的 tokenizer，做同一件事用掉的 token 略多。1
表内十七个模型列。Anthropic 一侧是 Haiku 5.5、上一代 Haiku 4.5、Sonnet 5、Sonnet 5.5、Opus 5.5、Fable 5.1 与 Fable 5；其余是 OpenAI 的 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Sol、GPT-6 Luna、GPT-5.6 Sol，Google 的 Gemini 4 Argon、Gemini 3.8 Flash，以及 DeepSeek-V4.1-Flash、Kimi K3、GLM-5.3。
每个分数都跟着它所在的推理档或配置。发布页那张对照表按 max 档给出，而 Claude API 的默认档是 medium，两档在系统卡里都给了数值，看的时候要连着档位一起读。同一个 benchmark 在几家实验室各有一套 harness 或子集时拆成两行以上分别列出，并在说明列注明出处。同一模型在同一行出现两个官方数值时并列保留并标 ⚠️。格子里的「—」表示该模型在对应来源里未披露（没有测，或官方没有给数）。官方只以图形呈现、正文没有给出数值的项目不进入这张表，数字不从图上目测。每行最高值加粗；标注「越低越好」的行改加粗最低值。
一张合并总表
| Benchmark | 类别与指标条件 | Claude Haiku 5.5 | Claude Haiku 4.5 | Claude Sonnet 5 | Claude Sonnet 5.5 | Claude Opus 5.5 | Claude Fable 5.1 | Claude Fable 5 | GPT-6 Astra | GPT-6.1 Sol | GPT-6 Sol | GPT-6 Luna | GPT-5.6 Sol | Gemini 4 Argon | Gemini 3.8 Flash | DeepSeek-V4.1-Flash | Kimi K3 | GLM-5.3 | 来源与口径说明 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| GDPval-AA v2.1 | 知识工作；Elo，越高越好；Artificial Analysis 独立运行，以 DeepSeek-V4.1-Flash（max）锚定 1600 | 1620（max）／1277（medium，默认档） | 735 | — | 1840（max） ⚠️／1844（Sonnet 5.5 系统卡） | — | — | — | — | — | — | 1437 | — | — | 1435 | — | — | — | 本期系统卡表 8.1.A 与 8.10.2 节 2；Sonnet 5.5 的 1844 出自其系统卡 3 |
| AA-Briefcase v1.1 | 知识工作；长时间跨度项目，Elo，越高越好；Artificial Analysis 独立运行 | 1578（max）／1372（medium，默认档） | 614 | — | 1824（max） | — | — | — | — | — | — | 1336 | — | — | 1203 | — | — | — | 同上，8.10.3 节 2 |
| OSWorld 2.1（offline subset，部分分） | 电脑操作；部分奖励，越高越好；82 题离线子集、1080p、每题上限 500 步 | 72.4%（max） | 15.7% | — | 83.9% | 87.2% | — | — | — | — | — | 48.9% | — | — | — | — | — | — | 本期起 Anthropic 改用官方 offline subset（108 题中的 82 题）；上两期报的是 108 题全集，两套任务文件分开看。GPT-6 Luna 由 Anthropic 经 OpenAI API 在同一批 82 题上跑出 2 |
| OSWorld 2.1（offline subset，严格通过率） | 每一处检查点都满足才算通过；越高越好 | 37.1% | — | — | 48.8% | 53.2% | — | — | — | — | — | — | — | — | — | — | — | — | 与上一行同一批任务、同一档位 2 |
| Humanity's Last Exam（无工具） | 多学科推理；准确率，越高越好 | 45.9%（max） | 10.2% | — | 56.9% | — | — | — | — | — | — | — | — | — | — | — | — | — | 两次尝试各 980K token 预算，未用上下文压缩，判分模型 Claude Opus 4.6 2 |
| Humanity's Last Exam（有工具） | 同上，另有网页搜索、网页抓取、程序化工具调用与代码执行 | 57.4%（max） | 18.7% | — | 64.5% | — | — | — | — | — | — | — | — | — | — | — | — | — | 三家来源的工具集不同；GPT-6 Luna 两档均未测 2 |
| Terminal-Bench 4.0 | agent 编码；通过率，越高越好；各实验室自有 harness | 39.2%（max） | 0.0% | — | 70.6%（max） | 66.4%（xhigh） | — | — | 58.2% ⚠️／57.9%（high，OpenAI 自报） | 58.2% | 49.4% | 16.4% | — | — | — | — | — | — | Anthropic 自测用 Claude Code 的 --bare 模式；Astra 的 58.2% 来自公开榜，官方自报为 57.9%（high 档）2 |
| Terminal-Bench-Science 0.1 | agent 科研工作流，70 题；越高越好 | 20.6%（max） | 0.1% | — | 59.9% | 58.7% | — | — | 68.1% | 57.0% | 27.6% | — | — | — | — | — | — | — | 公开榜未给 GPT-6 Luna 该项成绩 2 |
| FrontierCode 1.1（Main，100 题） | agent 编码；越高越好；Cognition 独立运行 | 46.4%（max）／45.8%（xhigh） | — | — | 46.2%（max）／52.1%（xhigh） | — | — | — | — | — | — | 42.4% | — | — | — | — | — | — | 判分惩罚超出任务范围的改动，同一模型换档位会掉分 2 |
| FrontierCode 1.1（Extended，150 题） | 同上，全集 | 58.4%（max） | — | — | 59.1%（max）／64.4%（xhigh） | — | — | — | — | — | — | — | — | — | — | — | — | — | 官方对照表只取 Main，此行取自正文 2 |
| SWE-Bench Pro | 软件工程；多文件大改动仓库，五次取均值 | 64.8% | — | — | 81.3% | — | — | — | — | — | — | — | — | — | — | — | — | — | 全部来自本期系统卡表 8.1.A 与 8.2 节 2 |
| SWE-bench Multilingual | 9 种编程语言、300 题 | 83.7% | 67.4% | — | 90.3% | — | — | — | — | — | — | — | — | — | — | — | — | — | 同上 2 |
| SWE-bench Multimodal | 题面附截图与设计稿 | 30.7% | 19.8% | — | 54.3% | — | — | — | — | — | — | — | — | — | — | — | — | — | 同上 2 |
| FrontierSWE v2 | 34 个超长时程工程与研究任务，每任务预算 20 小时；全模型 max 档、五次取均值 | 43.8% | — | — | — | — | — | 47.0% | — | — | — | — | 32.2% | — | — | — | — | — | Proximal 自有 harness，Sonnet 5.5 与 Opus 5.5 未在本期材料中给值 2 |
| ProgramBench | 长上下文 agent 编码；166 题隐藏测试通过率，无六小时时限 | 82.0% | — | — | 79.7% | 91.2% | — | — | — | — | — | — | — | — | — | — | — | — | 剔除参考二进制未达标的 34 题后重算 2 |
| Chartography（无工具） | 图表识别；越高越好 | 46.4%（max） | 6.4% | — | 61.6% | — | — | — | — | — | — | 29.1% | — | — | — | — | — | — | 判分统一用 Gemini 3.5 Flash 12 |
| Chartography（有工具） | 同上，给容器、标准库与图像裁剪工具 | 86.2%（max） | 8.8% | — | 90.2% | — | — | — | — | — | — | — | — | — | — | — | — | — | 发布页只给了无工具一档 2 |
| BenchCAD Vision2Code（无工具） | 多视图渲染生成 CadQuery 代码；voxel IoU，越高越好；1,000 文件子集 | 0.670 | 0.155 | — | 0.747 | — | — | — | — | — | — | — | — | — | — | — | — | — | 五次取均值 2 |
| BenchCAD Vision2Code（有工具） | 同上，给容器与图像裁剪工具 | 0.870 | 0.210 | — | 0.963 | — | — | — | — | — | — | — | — | — | — | — | — | — | 同上 2 |
| OfficeQA | 美国财政部公报语料的端到端推理；越高越好 | 73.5% | 63.0% | — | 76.9% | — | — | — | — | — | — | — | — | — | — | — | — | — | 文档已预选并以纯文本提供，五次取均值 2 |
| OfficeQA Pro | 同一语料的 133 题困难子集 | 60.3% | 47.1% | — | 65.6% | — | — | — | — | — | — | — | — | — | — | — | — | — | 同上 2 |
| HealthBench Professional（长度校正） | 健康；长度校正分，越高越好；全部开启安全分类器 | 64.8%（max，原始分 71.0%） | 32.2% | — | 69.2% | — | — | — | — | — | — | — | — | — | — | — | — | — | 判分模型统一为 Claude Opus 4.8 2 |
| PhysicianBench | 100 个电子病历内的医生任务；通过率，越高越好 | 43.0%（max） | — | — | 63.2% | 68.4% | — | — | — | — | — | 33.6% | — | — | — | — | — | — | GPT-6 Luna 由 Anthropic 经 OpenAI 公开 API 跑出，判分用 Claude Opus 5 2 |
| GMMLU | 多语言 MMLU，42 种语言平均；越高越好 | 87.8% | — | — | 92.1% | 94.3% | 94.0% | — | — | — | — | — | — | — | — | — | — | — | 单次试验，无工具与自定义系统提示；被安全分类器拦下的题不计入分母 2 |
| MILU | 10 种印度语言加英语，平均准确率 | 87.6% | — | — | 91.6% | 93.1% | 93.0% | — | — | — | — | — | — | — | — | — | — | — | 五次平均 2 |
| LatchBio SpatialBench Verified | 空间转录组与染色质可及性分析 | 67.7% | — | 68.9% | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 以下生命科学各行的 Claude 值均在生物学 safeguard 关闭下测得，反映底层模型能力 2 |
| LatchBio SingleCellBench | 单细胞 RNA 测序分析 | 56.2% | — | 56.5% | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 同上 2 |
| Morphology-to-molecule matching | 四组多通道细胞成像配四组打乱顺序的分子剂量 | 25.4% | — | — | 25.0% | — | — | — | — | — | — | — | — | — | — | — | — | — | 与 Axiom Bio 合作开发 2 |
| Medicinal chemistry（ADME） | 504 题，判断哪个候选化合物的某项实测值最高或最低 | 58.0% | — | 41.3% | 65.3% | 63.5% | — | — | — | — | — | — | — | — | — | — | — | — | 同上 2 |
| Protein design（Sequence Generation / Library Ranking） | 依约束生成新蛋白序列；为实验排序蛋白设计 | 33.1% ／ 45.3% | — | 20.2% ／ 44.0% | 51.0% ／ 54.8% | — | — | — | — | — | — | — | — | — | — | — | — | — | 序列生成每题 1 次尝试，排序每题 3 次 2 |
| Biomedical image analysis | CT、MRI、病理、皮肤镜等影像的定量分析 | 43.5% | — | 42.3% | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 按相对竞赛最佳成绩的比例计分，每题 1 次尝试 2 |
| Protocols（Troubleshooting / Understanding V2） | 发现并修正实验方案中的问题；就真实实验室方案答问 | 58.0% ／ 64.1% | — | 49.9% ／ 58.9% | 67.3% ／ 66.6% | — | — | — | — | — | — | — | — | — | — | — | — | — | Gemini 3.8 Flash 只跑了 Understanding V2 2 |
| 单轮有害请求（无害回答率） | 16 个政策领域、7 种语言；越高越好；API 无系统提示 | 98.39% | 97.23% | — | 95.32% | 94.28% | 94.71% | — | — | — | — | — | — | — | — | — | — | — | 加上系统提示后 claude.ai 一侧：Haiku 5.5 99.71%，Sonnet 5.5 99.16%，Opus 5.5 99.36% 2 |
| 单轮良性请求（过度拒答率） | 同上题集；越低越好；API 无系统提示 | 0.17% | 0.44% | — | 0.02% | 0% | 0% | — | — | — | — | — | — | — | — | — | — | — | claude.ai 一侧：Haiku 5.5 0.82%，Sonnet 5.5 0.20%，Opus 5.5 0.33% 2 |
| Claude Code 恶意请求拒答率／双用途与良性协助率 | 各 61 条提示、每条 10 次；越高越好；不含生产期额外 safeguard | 84.3% ／ 98.9% | 66.6% ／ 88.7% | — | 85.2% ／ 98.4% | 81.0% ／ 100% | — | — | — | — | — | — | — | — | — | — | — | — | 同批测试中 Claude Mythos 5.1 为 88.5% ／ 99.3%，两列都是本批最高，本表未单列该模型 2 |
| 电脑操作恶意请求拒答率 | 112 项 GUI 与命令行任务；越高越好 | 82.59% | 58.93% | — | 79.46% | 79.46% | — | — | — | — | — | — | — | — | — | — | — | — | 同批测试中 Claude Mythos 5.1 为 87.50% 最高 2 |
| Gray Swan IPI（k=15 攻击成功率） | 间接提示注入；越低越好；含编码、工具使用、GUI 三个面向 | 7.1%（编码 0.2%、工具使用 4.0%、GUI 24.4%） | 83.2% | — | 3.4% | 1.0% | 1.0% | — | 8.5% | — | — | — | — | 0.7% | 5.5% | — | — | — | k 从 1 到 15 分三档，此处取 k=15；Claude 模型均在未开启产品侧注入防护下测得 2 |
| Shade 自适应红队（编码，逐次成功率） | 攻击者针对测试场景优化、每场景 200 次尝试；越低越好 | 0.08%（场景 6/40） | 58.40%（40/40） | — | 3.01%（16/40） | 54.61%（37/40） | 51.93%（39/40） | — | — | — | — | — | — | — | — | — | — | — | Sonnet 5.5、Opus 5.5、Fable 5.1 的成功攻击大多来自被分类器改派给回退模型作答的请求；Haiku 5.5 不触发回退 2 |
| Shade 自适应红队（电脑操作，逐次成功率） | 14 个测试用例、每场景 200 次尝试；越低越好 | 0.07%（1/14） | 18.89%（13/14） | — | 0.07%（1/14） | 0.07%（1/14） | 0.07%（1/14） | — | — | — | — | — | — | — | — | — | — | — | 四款 Claude 5.5 代模型同为 0.07% 2 |
| CyScenarioBench | 多阶段网络行动的编排，10 个挑战的解决率；越高越好；关闭网络缓解 | 3.3% | 0% | 0.7% | 46.1% | 67.6% | — | — | — | — | — | — | — | — | — | — | — | — | 同批测试中 Claude Mythos 5.1 为 61.7% 2 |
| ExploitBench | V8 漏洞利用能力阶梯；Cap%，越高越好；关闭网络 safeguard | 38%（普通臂）／49%（自动催促臂） | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 平均捕获能力标记 5.15 个（自动催促臂 6.56 个）；两臂合计 410 次里完整任意代码执行 1.0% 2 |
| Binary Exploitation Benchmark（原 OSS-Fuzz） | 831 个入口点；控制流劫持成功次数，越高越好 | 3 | 0 | 3 | 50 | 106 | — | — | — | — | — | — | — | — | — | — | — | — | 8 月起换了新 harness，分数较旧系统卡整体抬高；同批测试中 Claude Mythos 5.1 为 81 次 2 |
| 沙箱越界（凭据或文件） | 访问沙箱外凭据或文件的比例；越低越好 | 4.0% | — | — | 5.3% | 3.4% | — | — | — | — | — | — | — | — | — | — | — | — | 另有按任意途径越过内层沙箱的比例：Haiku 5.5 30%（524/1753），Sonnet 5.5 22%，Opus 5.5 21%，加缓解后降到 1.8% 2 |
| 隐蔽推理下完成副任务未被发现 | 越低越好 | 6% | — | — | 36% | 49% | — | — | — | — | — | — | — | — | — | — | — | — | 推理可见时几乎没有不被标记的完成 2 |
| 保密（回复内守住秘密） | 模拟对话中被追问时不让秘密出现在回复里；越高越好 | 57% | 15% | — | — | 74% | — | — | — | — | — | — | — | — | — | — | — | — | Haiku 5.5 在推理内守住秘密的比例只有 3% 2 |
| Anthropic ECI（AECI） | 内部基准合成的能力指数，越高越好；不与公开 ECI 榜可比 | 167.11 | — | — | — | 174.56 | — | — | — | — | — | — | — | — | — | — | — | — | 以 Claude 3.5 Sonnet（2024 年 6 月）锚定 130 2 |
| RSP 阈值判定 | 是否越过 CB-2 与 Autonomy-2 能力阈值 | 未越过，视为达到 CB-1 与 Autonomy-1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 依据是它在相关评测上明显弱于 Claude Opus 5 2 |
相对上一代 Haiku：每一行都翻了几倍
GDPval-AA v2.1 从 735 涨到 1620，AA-Briefcase v1.1 从 614 涨到 1578，OSWorld 2.1 的离线子集从 15.7% 涨到 72.4%，HLE 无工具从 10.2% 涨到 45.9%、有工具从 18.7% 涨到 57.4%。2
编码与图表两组的起点更低，涨得也更陡。Terminal-Bench 4.0 上 Haiku 4.5 是 0.0%——660 次试验一个都没过；Haiku 5.5 是 39.2%。
Terminal-Bench-Science 0.1 上 Haiku 4.5 在 700 次里成功一次（0.1%），Haiku 5.5 是 20.6%。Chartography 从 6.4% 到 46.4%，加上图像裁剪工具后从 8.8% 到 86.2%。2
这一代提升的来源在官方材料里写得很具体：Haiku 5.5 换了与 Sonnet 5.5、Opus 5.5 相近的 tokenizer，第一次引入 effort 档位，Haiku 4.5 没有这个档位、只能跑固定的扩展思考预算。1
系统卡在每一项上都注明了两者的配置差别，比如 Terminal-Bench 4.0 上 Haiku 4.5 用的是 63,999 token 的固定思考预算，而不是档位。2 换句话说，两个模型的差距里，有一部分来自推理档位的代差。
发布页拉进来的两个对手
发布页把 OpenAI 的 GPT-6 Luna 拉进了同一张表；系统卡另外给出了 Google 的 Gemini 3.8 Flash 的两个值。1
发布页给的那七组里，Haiku 5.5 全部高于 GPT-6 Luna：GDPval-AA v2.1 1620 对 1437、AA-Briefcase v1.1 1578 对 1336、OSWorld 2.1 离线子集 72.4% 对 48.9%、Terminal-Bench 4.0 39.2% 对 16.4%、FrontierCode 1.1 Main 46.4% 对 42.4%、Chartography 46.4% 对 29.1%；HLE 两档 GPT-6 Luna 没测。1
系统卡另外给了 Gemini 3.8 Flash 两个值：GDPval-AA v2.1 1435、AA-Briefcase v1.1 1203，都低于 Haiku 5.5。2
这里有一层口径要交代清楚。GPT-6 Luna 的这几组分数不是 OpenAI 自己发的，是 Anthropic 通过 OpenAI 的公开 API、在同一批任务上跑出来的，系统卡对 OSWorld 2.1 那批 82 题特别注明「与 OpenAI 自己的上下文压缩一起使用」。2 同一份材料里既是对手也是裁判，读的时候要记住这一点。
离 Sonnet 5.5 有多远：知识工作八成半，长时程执行差一半
把价格放进来，Haiku 5.5 与 Sonnet 5.5 的差距就分成两段。知识工作这一段贴得很近：GDPval-AA v2.1 的 1620 是 Sonnet 5.5 的 1840 的 88%，AA-Briefcase v1.1 的 1578 是 1824 的 87%。2
多模态识别这一段也接近，只是要读对档位。Chartography 加上工具后 86.2% 对 90.2%，BenchCAD Vision2Code 加上工具后 0.870 对 0.963；不带工具时两项都拉开一截，46.4% 对 61.6%、0.670 对 0.747。2
拉开最明显的是不能一次做完的长任务。Terminal-Bench 4.0 上 39.2% 对 70.6%，SWE-bench Multimodal 上 30.7% 对 54.3%，SWE-Bench Pro 上 64.8% 对 81.3%；OSWorld 2.1 离线子集的部分分是 72.4% 对 83.9%，换成要求每一处检查点都满足的严格通过率则是 37.1% 对 48.8%。2
官方自己在发布页写明了这件事：Sonnet 5.5 与 Opus 5.5 仍是 Terminal-Bench 4.0 这类复杂 agent 编码任务的更好选择，Haiku 5.5 适合的是范围更窄、此前用上代 Haiku 做会太贵的活。1
不过这个分法有一个反例。ProgramBench 上 Haiku 5.5 的 82.0% 高于 Sonnet 5.5 的 79.7%，只低于 Opus 5.5 的 91.2%。2 ProgramBench 测的是「只给一个编译后的二进制和文档，重建出行为一致的代码库」，任务上限极高，但每一步都能单独验证。在能逐步验证的任务上，先用便宜的档试一遍、再决定要不要升级，是划算的做法。
首个带 effort 档的 Haiku：官方分与默认档差多少
这是 Anthropic 第一款把 effort 交给用户的 Haiku 类模型，用法与 Sonnet 5.5、Opus 5.5 相同：同一个模型在 low 到 max 之间选，做成本与能力的取舍。1
问题出在官方对外那张表给出的全是 max 档。系统卡表 8.1.A 的脚注写明，除非另注，Haiku 5.5 的成绩一律用 max effort、默认采样设置、五次取均值。2
而 Claude API 的默认档是 medium，系统卡在知识工作两项上都给了默认档的数值：GDPval-AA v2.1 的 medium 是 1277，输出 token 约为 max 档的十分之一；AA-Briefcase v1.1 的 medium 是 1372，输出 token 不到 max 档的四分之一。2
拿表里的 1620 与 1578 去估成本，会低估一整段。
医疗那几项给了完整的逐档数值。HealthBench Professional 的长度校正在 low 档是 57.9%（原始分 61.6%），medium 59.9%，high 61.3%，max 64.8%（原始分 71.0%）；PhysicianBench 的通过率从 low 的 17.8% 一路到 max 的 43.0%，中间 medium 25.2%、high 31.6%、xhigh 35.8%。2
代价在时间上：每答案 low 到 xhigh 是 8 到 21 秒，max 约 110 秒。2
同一个系统卡还给了比较基准：Sonnet 5.5、Opus 5.5、Fable 5.1 在 HealthBench Professional 的五个档位之间波动都不到 2 分，而且在这五个档位上全部高于 Haiku 5.5。2 effort 档在 Haiku 这一档上的斜率比在大模型上陡得多，这对选型是个有用的方向：小模型加档，得到的能力增益比大模型加档大，但起点更低。
安全与对齐：官方文字给出的数值，以及回退模型这件事
RSP 层面的结论是：Haiku 5.5 达到 CB-1 与 Autonomy-1 阈值，不越过 CB-2 与 Autonomy-2，依据是它在相关评测上明显弱于 Claude Opus 5。2
能力指数上，它的 AECI 是 167.11，Opus 5.5 是 174.56。2
滥用侧的数值大多往上走。单轮有害请求的无害回答率在 API 无系统提示时是 98.39%，是官方测过的近期模型里最高的；单轮良性请求的过度拒答率 0.17%，低于 Haiku 4.5 的 0.44%。Claude Code 里的恶意请求拒答率 84.3%（Haiku 4.5 是 66.6%），电脑操作里的恶意任务拒答率 82.59%（Haiku 4.5 是 58.93%）。2
提示注入这一组提升最大，也最需要看清是谁在作答。Gray Swan 的 IPI 基准在 k=15 时，Haiku 5.5 的攻击成功率是 7.1%，Haiku 4.5 是 83.2%；拆开看，它在编码场景是 0.2%、工具使用 4.0%，剩下的软肋集中在 GUI 电脑操作的 24.4%。2
同一份材料里，Gemini 4 Argon 是 0.7%，Gemini 3.8 Flash 5.5%，GPT-6 Astra 8.5%，Haiku 5.5 与后两者在同一档。2
Shade 那组自适应红队的结果要用同一把尺子读。编码场景里 Haiku 5.5 的逐次成功率 0.08%、40 个场景中 6 个被攻破；Sonnet 5.5 是 3.01%、16 个场景；Opus 5.5 是 54.61%、37 个场景；Fable 5.1 是 51.93%、39 个场景。2
官方在正文里解释了这个反差：Opus 5.5、Fable 5.1、Sonnet 5.5 的成功攻击大多落在被分类器改派给回退模型作答的请求上，在它们自己作答的请求上，Opus 5.5 与 Fable 5.1 一次都没被攻破，Sonnet 5.5 是 0.07%，与 Haiku 5.5 同量级。2
Haiku 5.5 的分类器不触发回退，被拦下的请求就是失败。1
这件事直接影响了两项分数：Terminal-Bench 4.0 上有 12 次试验被 safeguard 拦下并因此判失败，占 1.8%，其中 10 次集中在同一个任务上；Terminal-Bench-Science 0.1 上有 16 次，占 2.3%。2
读这两行时，分数是「模型加上它的拦截规则」一起跑出来的结果。
还有一批评测官方只以图形给出数值，本期不录：VCT 多模态病毒学、与 Dyno Therapeutics 合作的三项 CB-2 序列建模与设计评测、ExploitGym 的成功利用数、DRACO 与 WANDR 的分数、第 6 章自动化行为审计的各项，以及发布页那三张 effort 曲线上的点。2
价格、可用范围，与这次一起调的价
Haiku 5.5 的单价按提示长度分两档：100K token 以内输入 0.10 美元、输出 0.50 美元，缓存写 0.125 美元、缓存读 0.01 美元；超过 100K 提示，输入 0.50 美元、输出 2.50 美元，缓存写 0.625 美元、缓存读 0.05 美元。1
官方把分界放在 100K，理由是这个长度以内的请求占上一代 Haiku 请求量的约九成。1
同一批公告里还有两项价格与配额调整。Sonnet 5.5 的缓存读从每百万 token 0.20 美元降到 0.10 美元，官方称这让它在多数 agent 任务上便宜约 20%；Max 与 Team 订阅用户则从本周起拿到每月的 API 额度，Max 5x 每月 100 美元、Max 20x 每月 200 美元、Team 最多 500 美元并在成员间共用。1
可用范围上，Haiku 5.5 发布当天在 Amazon Web Services、Google Cloud、Microsoft Azure 与 Claude 平台上同时可用，API 模型名是
claude-haiku-5-5；官方同周给 Claude 的 Python 与 TypeScript SDK 加了 computer use 与 browser use 的测试版支持，把这两类任务明确指向 Haiku 5.5。1这张表里最高分落在谁身上
Haiku 5.5 在表里拿到最高值的行，集中在滥用侧与几项生命科学评测：单轮有害请求的无害回答率 98.39%、电脑操作恶意拒答率 82.59%、Shade 编码的逐次成功率 0.08%、Shade 电脑操作的 0.07%（与 Sonnet 5.5、Opus 5.5、Fable 5.1 并列）、隐蔽推理下完成副任务未被发现的 6%，以及形态到分子匹配的 25.4% 与生物医学图像分析的 43.5%。2
按分数绝对值排，最高值仍集中在大模型身上。Sonnet 5.5 占住知识工作、多学科推理、长程编码、图表与办公文档这几组；Opus 5.5 占住 OSWorld 2.1 离线子集的两个指标、ProgramBench、PhysicianBench，以及网络与对齐的多数行；GPT-6 Astra 占住 Terminal-Bench-Science 0.1 的 68.1%；Gemini 4 Argon 占住 Gray Swan IPI 的最低攻击成功率 0.7%。2
对要在近期选型的人来说，这张表指向的读法分三步。先看任务是不是能在命令行或编辑器里逐步验证——这类的首选是 Sonnet 5.5 或 Opus 5.5；再看任务是不是高并发、短交付、能容忍偶尔出错的重试，这一类用 Haiku 5.5 的 medium 档起步，把官方那组 max 档分数当成上限；最后，凡是要用它跑长链路的 agent，先确认被 safeguard 拦下时整条试验是失败还是改派，Haiku 5.5 属于前者。2
References
- 1Introducing Claude Haiku 5.5
anthropic.com
- 2Claude Haiku 5.5 System Card\
anthropic.com
- 3Introducing Claude Sonnet 5.5\
anthropic.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.