Haiku 5.5升级：OSWorld成绩升至72.4%

Anthropic发布了Claude Haiku 5.5。新模型在OSWorld 2.1上的成绩从上一代的15.7%提升至72.4%，知识工作和复杂推理能力也有改善。官方称其平均运行成本下降约75%，同时加入自适应推理机制，支持100万Token上下文。此前Haiku主要用于摘要、分类和信息提取等高频任务，优势是速度快、价格低。

升级后，Haiku 5.5可以承担更复杂的工作，部分评测结果接近Sonnet 5.5，但复杂编程仍存在差距。模型会依据任务动态分配推理资源；当上下文输入或输出超过10万Token时，输入和输出单价都会提高至原价的5倍，因此实际成本仍取决于任务类型和上下文规模。

在OSWorld 2.1离线子集中，Haiku 5.5得分为72.4%，Haiku 4.5为15.7%，Sonnet 5.5为83.9%。该测试要求模型通过计算机界面完成长流程任务，包括理解页面、执行点击或输入，并根据环境反馈继续操作。与文本问答相比，这类任务更依赖对界面状态的持续维护。

一次操作失败后，模型还要判断当前环境是否仍符合目标并调整方案。不过，72.4%只是特定测试集的完成率，不能直接等同于所有浏览器或桌面任务的成功率，动态页面、权限限制和异常状态仍需在具体业务环境中验证。知识工作评测中，Haiku 5.5在GDPval-AA v2.1获得1620分，上一代为735分，Sonnet 5.5为1840分，该测试覆盖44类职业任务。

在AA-Briefcase v1.1中，Haiku 5.5得分由614分升至1578分；在Humanity's Last Exam多学科推理测试中，无工具得分为45.9%，使用工具后为57.4%。这些任务要求模型整合多来源信息、处理限制条件并生成结果。编程评测则不完全相同：FrontierCode 1.1中Haiku 5.5为46.4%，接近Sonnet 5.5的52.1%，但Terminal-Bench 4.0中仅为39.2%，Sonnet 5.5达到70.6%。

Terminal-Bench考察命令行环境下的多步骤任务，模型需要读取文件、执行命令、处理错误，并根据测试反馈持续调整。Anthropic因此表示，复杂智能体编程更适合使用Sonnet 5.5或Opus 5.5，Haiku 5.5主要面向边界清晰的子任务、摘要和上下文压缩。企业测试中，Asana称其任务完成延迟降低超过30%，单轮推理速度最多提升2.5倍。

HubSpot在模拟CRM环境中进行三次测试，平均成绩为92.8%；AlphaSense在400次文档问答中测得0.84分，高于上一代的0.76分。由于这些测试采用的任务和标准不同，结果更适合反映特定业务场景，不能直接作为统一能力排名。

02 自适应推理加入Haiku