Anthropic lanza Claude Haiku 5.5: 43 puntos en el índice de AA y un precio de $0.10 por millón de tokens

Anthropic ha lanzado Claude Haiku 5.5 y, según las mediciones independientes de Artificial Analysis, es ahora el líder entre los modelos pequeños: 43 puntos en el Intelligence Index con el nivel máximo de esfuerzo. Hace un año, el Haiku anterior estaba en 17, de modo que el avance es de 26 puntos. A la vez, el precio ha caído: $0.10 por millón de tokens de entrada y $0.50 por millón de tokens de salida para prompts de hasta 100k. Es aproximadamente el 10% del coste del Haiku anterior y la misma tarifa que GPT-6 Luna.

Dónde se sitúa Haiku 5.5 en la tabla

Con el esfuerzo máximo, el modelo adelanta por poco a GLM-5.3 Flash (42), Gemini 3.8 Flash (41) y GPT-6 Luna (38). Por puntuación, es comparable a Kimi K3 (44), un modelo abierto de 2.8 billones de parámetros, y se queda 13 puntos por debajo de Claude Sonnet 5.5 (max, 56). Haiku 5.5 es el primero de la línea con ajustes de effort y pensamiento adaptativo, es decir, ahora se puede regular la profundidad del razonamiento.

Principales métricas según Artificial Analysis:

• Intelligence Index: 43 (max), 38 en el nivel high.
• AA-Briefcase, una prueba cerrada con tareas realistas de knowledge work: 1578 Elo, por encima de Kimi K3 y GLM-5.3 y al nivel de Muse Spark 1.3 (max). Dentro de los intervalos de confianza, el modelo coincide con GPT-6 Astra (max) y Claude Fable 5.1 (high).
• Terminal-Bench 4.0: 33%, frente al 0% de Haiku 4.5. Es el nivel de GLM-5.3 Flash y supera a Gemini 3.8 Flash (20%) y GPT-6 Luna (13%).
• AA-Omniscience: precisión del 36%, frente al 55% de Gemini 3.8 Flash y el 44% de GPT-6 Luna.
• Tasa de alucinaciones: 40%, frente al 55% y el 77% de los competidores.
• AutomationBench-AA: 35%, frente al 53–60% de Luna, Gemini 3.8 Flash y GLM-5.3 Flash.
• Contexto: 1 millón de tokens en lugar de 200k; entrada de texto e imágenes, salida de texto.

La baja precisión en Omniscience se explica en parte por el comportamiento del modelo. Haiku 5.5 admite con más facilidad que no sabe la respuesta, por lo que miente menos. En escenarios agénticos, donde una falsa seguridad sale más cara que una pausa, esto es más bien una ventaja. AA considera que el resultado de AutomationBench está subestimado: en la prueba previa al lanzamiento se activó un bug con los rechazos de seguridad y el modelo declinaba tareas sin motivo. Anthropic promete una corrección y Artificial Analysis volverá a ejecutar la prueba.

Precio por token y precio por tarea

La tarifa de Haiku 5.5 es escalonada. Por encima de 100k tokens en el prompt, el precio se multiplica por cinco, hasta $0.50/$2.50. La lectura de caché cuesta $0.01 por millón ($0.05 por encima del umbral) y la escritura en caché de cinco minutos, $0.125 ($0.625). El sitio de Artificial Analysis todavía no tiene en cuenta el escalón, así que los cálculos de coste preliminares están subestimados. Cost per Task se añadirá más adelante.

El modelo tiene además un problema más visible: es verboso. Con el esfuerzo máximo, Haiku 5.5 gasta alrededor de 162k tokens de salida por tarea del índice. Es el triple que GPT-6 Luna (unos 50k) y más que Opus 5.5 (max). Pasar de xhigh a max aporta solo 2 puntos a cambio de ~1.8x más tokens. Con 38 puntos en ambos casos, Haiku 5.5 (high) consume ~55k tokens y Luna (max), ~50k; con ajustes bajos, la diferencia aumenta.

Las tarifas de salida de ambos modelos coinciden, por lo que la factura real por tarea de Haiku 5.5 al máximo será notablemente mayor que la de Luna. En esta situación, un precio bajo por millón de tokens no garantiza ahorro por tarea. Solo los cálculos de Cost per Task darán el veredicto.

Para quién y para qué

Haiku 5.5 encaja en pipelines agénticos, trabajo en terminal y automatización de oficina, donde hace falta un buen resultado a bajo precio y un contexto de un millón de tokens. Para preguntas factuales sin búsqueda externa, es mejor elegir Gemini 3.

8 Flash, con su 55% en Omniscience. Antes de elegir el nivel de effort conviene probar las tareas propias y medir no solo la calidad, sino también el consumo de tokens: en el nivel high el modelo se queda en ~55k tokens y en max llega a ~162k. Los prompts largos deben mantenerse por debajo de 100k o aprovechar la caché de forma activa; de lo contrario, la tarifa se multiplicará por cinco.

Una salvedad más: AutomationBench muestra ahora un resultado subestimado por un exceso de rechazos, así que las conclusiones definitivas sobre automatización deberían esperar a la corrección.