Claude Haiku 5.5vsClaude Opus 5.5

Haiku 5.5 não tem um único preço de tabela do editor para todo tamanho de prompt. A Anthropic publica US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída para prompts de até 100.000 tokens, e depois US$ 0,50 e US$ 2,50 acima de 100.000. O preço de tabela publicado do Opus 5.5 é US$ 4 e US$ 20 por milhão de tokens de entrada e de saída. Cache e preço em lote têm regras separadas. Os números acima descrevem entrada e saída padrão, não a fatura inteira de uma aplicação.

Por exemplo, no preço de tabela do editor, um pedido com 10.000 tokens de entrada e 1.000 de saída custa cerca de US$ 0,0015 no Haiku 5.5 e US$ 0,06 no Opus 5.5, antes de cache ou de qualquer preço próprio da plataforma. Isso é um exemplo de preço, não uma comparação de desempenho. Se uma chamada ao Opus evita novas tentativas ou conclui uma tarefa mais difícil que o Haiku não consegue, o custo por tarefa bem-sucedida pode contar outra história.

A GPTProto publica páginas ao vivo do Haiku 5.5 e do Opus 5.5, cada uma com a sua tarifa. A disponibilidade na GPTProto pode variar por modelo. Confira o catálogo Claude da GPTProto. Ele mostra os modelos Claude e as tarifas ao vivo disponíveis agora pela GPTProto.

Segundo as especificações da Anthropic, os dois modelos aceitam texto e imagens, produzem texto, suportam uma janela de 1 milhão de tokens e têm um máximo padrão de 128.000 tokens de saída. O mesmo limite de contexto não significa os mesmos resultados num documento longo. Teste se o modelo acha a evidência certa, segue as instruções e continua confiável quando o prompt cresce. O máximo de saída é um limite, não uma recomendação para pedir uma resposta de 128.000 tokens.

Os dois suportam pensamento adaptativo. O ajuste de esforço do Haiku troca mais raciocínio por mais tempo e custo. O pensamento adaptativo do Opus 5.5 não pode ser desligado, embora o esforço possa ser ajustado. Se você estiver migrando um agente existente, valide o raciocínio e as chamadas de ferramenta em vez de supor que trocar o ID do modelo preserva cada comportamento.

Use um conjunto pequeno de avaliação tirado da sua carga real: casos de rotina, casos de contexto longo e falhas que importam para os usuários. Envie a mesma entrada, instruções, ferramentas e critérios de nota para os dois modelos. Acompanhe o sucesso da tarefa, a taxa de nova tentativa, o total de tokens de entrada e saída e a latência de ponta a ponta. Depois compare o custo por tarefa bem-sucedida, não só o custo por milhão de tokens. A Anthropic publicou benchmarks de cada lançamento, mas esses materiais não dão um único resultado controlado, frente a frente, para cada tarefa que a sua aplicação pode rodar. Não declare um vencedor geral a partir de gráficos de benchmark sem relação entre si.