Claude Haiku 5.5vsClaude Opus 5.5

Haiku 5.5 no tiene un único precio de lista del editor para todos los tamaños de prompt. Anthropic publica $0.10 por millón de tokens de entrada y $0.50 por millón de tokens de salida para prompts de hasta 100.000 tokens, y luego $0.50 y $2.50 si pasan de 100.000. El precio de lista publicado de Opus 5.5 es $4 y $20 por millón de tokens de entrada y de salida. La caché y el precio por lotes tienen reglas aparte; las cifras de arriba describen la entrada y la salida estándar, no la factura total de una aplicación.

Por ejemplo, a precios de lista del editor, una petición de 10.000 tokens de entrada y 1.000 de salida cuesta unos $0.0015 en Haiku 5.5 y $0.06 en Opus 5.5, antes de la caché o de cualquier precio propio de la plataforma. Es un ejemplo de precio, no una comparación de rendimiento. Si una llamada a Opus evita reintentos o termina una tarea más difícil que Haiku no puede, el coste por tarea lograda puede contar otra historia.

GPTProto publica páginas en vivo de Haiku 5.5 y Opus 5.5, cada una con su tarifa. La disponibilidad en GPTProto puede variar según el modelo. Revisa el catálogo Claude de GPTProto. El catálogo muestra los modelos Claude y las tarifas en vivo disponibles ahora a través de GPTProto.

Según las especificaciones de Anthropic, los dos modelos aceptan texto e imágenes, producen texto, admiten una ventana de 1 millón de tokens y tienen un máximo estándar de 128.000 tokens de salida. Que el límite de contexto coincida no significa que los resultados coincidan en un documento largo. Prueba si el modelo encuentra la evidencia correcta, sigue las instrucciones y se mantiene fiable cuando el prompt crece. El máximo de salida es un límite, no una recomendación de pedir una respuesta de 128.000 tokens.

Los dos admiten pensamiento adaptativo. El ajuste de esfuerzo de Haiku te deja cambiar más razonamiento por más tiempo y coste. El pensamiento adaptativo de Opus 5.5 no se puede desactivar, aunque el esfuerzo sí se puede ajustar. Si migras un agente que ya existe, valida el razonamiento y las llamadas a herramientas en lugar de suponer que cambiar el ID del modelo conserva cada comportamiento.

Usa un conjunto pequeño de evaluación sacado de tu carga real: casos de rutina, casos de contexto largo y fallos que importan a los usuarios. Envía la misma entrada, instrucciones, herramientas y criterios de puntuación a los dos modelos. Sigue el éxito de la tarea, la tasa de reintento, el total de tokens de entrada y salida, y la latencia de extremo a extremo. Luego compara el coste por tarea lograda, no solo el coste por millón de tokens. Anthropic ha publicado benchmarks de cada lanzamiento, pero esos materiales no dan un único resultado controlado, cara a cara, para cada tarea que tu aplicación pueda ejecutar. No declares un ganador general a partir de gráficos de benchmarks que no tienen relación.