> ## Documentation Index > Fetch the complete documentation index at: https://docs.tess.im/llms.txt > Use this file to discover all available pages before exploring further. # Claude Haiku 5.5 > Conocé Claude Haiku 5.5, el modelo pequeño de Anthropic para tareas de alto volumen y baja latencia: clasificación, extracción, resúmenes y subagentes. Claude Haiku 5.5 es el modelo pequeño de la familia Claude 5.5 de Anthropic. Está pensado para **tareas de alto volumen y baja latencia**: clasificación, ruteo, extracción, resúmenes, compactación de contexto, consultas a bases y atención en vivo. Lo que se destaca es el salto respecto de Haiku 4.5. Según Anthropic, es el modelo pequeño más capaz que publicaron, y el más rápido a velocidad estándar. También es el primer Haiku con esfuerzo ajustable, así que podés elegir cuánto piensa el modelo. | **Modelo del provider** `claude-haiku-5-5` | **Contexto** 1M tokens | **Max output** 128K tokens | **Provider** Anthropic | | :- | :- | :- | :- | | **Entrada** Texto + imagen | **Salida** Texto | **Thinking** Adaptive (esfuerzo predeterminado: medium) | **Knowledge cutoff** Junio de 2026 | ## Cuándo usar Haiku 5.5, Sonnet 5.5 y Opus 5.5 Los tres modelos se complementan. Anthropic ubica a Haiku 5.5 en el trabajo estrecho y repetitivo, a Sonnet 5.5 en el día a día con alcance claro, y a Opus 5.5 en el trabajo complejo y abierto. | | Claude Haiku 5.5 | Claude Sonnet 5.5 | Claude Opus 5.5 | | - | - | - | - | | Mejor para | Alto volumen, baja latencia y tareas estrechas | Tareas del día a día con alcance claro | Trabajo complejo, abierto y de larga duración | | Velocidad | La más rápida a velocidad estándar | Rápido | Moderado | | Contexto / max output | 1M / 128K | 1M / 128K | 1M / 128K | | Thinking | Adaptive, esfuerzo predeterminado medium | Adaptive | Adaptive, siempre activo | | Knowledge cutoff confiable | Junio de 2026 | Junio de 2026 | Junio de 2026 | > [!TIP] > > Una combinación que funciona bien: Opus 5.5 o Sonnet 5.5 conduce el trabajo, y Haiku 5.5 actúa como subagente en búsquedas, clasificación, extracción y compactación. ## Qué cambia respecto de Claude Haiku 4.5 ### Más capaz en el trabajo repetitivo Haiku 5.5 cubre el mismo tipo de tarea que Haiku 4.5 con un margen mucho mayor. En trabajo profesional (GDPval-AA), la puntuación publicada por Anthropic sube de 735 a 1.620. En uso de computadora, en el subconjunto offline de OSWorld 2.1, sube de 15,7% a 72,4%. ### Más rápido, con esfuerzo ajustable Es el modelo más rápido de Anthropic a la velocidad estándar de cada modelo. El modo Fast de los modelos Opus todavía puede ser más rápido. El thinking es adaptive y viene activado por defecto, con esfuerzo `medium`. En un esfuerzo más bajo, el modelo piensa menos y puede saltear el thinking en pedidos simples. ### Qué mostraron las primeras pruebas * Asana midió más de un 30% menos de latencia al completar tareas y hasta 2,5 veces más velocidad de inferencia por turno, en triaje de bugs, setup de proyectos y búsqueda en portafolios. * HubSpot registró 92,8% en una suite de tareas de CRM (promedio de tres ejecuciones). En una auditoría de registros viejos y ambiguos, Haiku 5.5 fue el más rápido, con la mayor tasa de acierto y la menor tasa de falso positivo entre los modelos que probaron. * AlphaSense, con cerca de 8 millones de llamadas semanales de preguntas sobre documentos, comparó 400 consultas: 0,84 contra 0,76 de Haiku 4.5. * Box vio 11 puntos por encima de Haiku 4.5 con cerca de la mitad de la latencia, en reportes y resúmenes que corren a escala. * En Devin Fusion, Haiku 5.5 como modelo auxiliar mantuvo 66,2 en FrontierCode con Opus 5.5 al frente, con menos latencia. ## Qué muestran los benchmarks En los resultados publicados por Anthropic, el salto respecto de Haiku 4.5 es grande en casi todas las áreas. En coding agéntico de terminal, Sonnet 5.5 sigue bien adelante. | Benchmark | Haiku 4.5 | Haiku 5.5 | Sonnet 5.5 | Qué evalúa | | - | -: | -: | -: | - | | GDPval-AA v2.1 | 735 | **1.620** | 1.840 | Trabajo real en 44 profesiones | | AA-Briefcase v1.1 | 614 | **1.578** | 1.824 | Knowledge work de larga duración | | OSWorld 2.1 (offline) | 15,7% | **72,4%** | 83,9% | Uso de computadora | | Chartography (sin tools) | 6,4% | **46,4%** | 61,6% | Lectura de gráficos | | Humanity's Last Exam (sin tools) | 10,2% | **45,9%** | 56,9% | Reasoning multidisciplinario | | Humanity's Last Exam (con tools) | 18,7% | **57,4%** | 64,5% | Reasoning multidisciplinario con tools | | Terminal-Bench 4.0 | 0,0% | **39,2%** | 70,6% | Tareas profesionales en terminal | | FrontierCode 1.1 (Main) | — | **46,4%** | 52,1% (XHigh) | Cambios de código con calidad de merge | En la evaluación independiente de Artificial Analysis, la variante de **esfuerzo bajo** marcó **29 en el Intelligence Index**, en el puesto 22 entre 182 modelos de la misma clase. La mediana de la franja de precio es 13. En esa medición, el modelo generó texto a 181 tokens por segundo y costó US\$ 0,02 por tarea del índice. También fue conciso: 32 millones de tokens de salida en el índice, contra una mediana de 100 millones. En BenchLM, el agregado parcial es **66,35 de 100**, en el puesto 28 entre 888 modelos. La cobertura todavía es parcial (18 benchmarks), así que la nota es conservadora. Haiku 4.5 aparece con 41,45 en el mismo ranking. > [!NOTE] > > La tabla la publicó Anthropic. El Intelligence Index de Artificial Analysis mide la variante de esfuerzo bajo, y el agregado de BenchLM usa cobertura parcial. Los resultados dependen del harness, de las tools y del effort. Validá en tu flujo antes de cambiar una configuración en producción. ### Dónde no lidera * En coding agéntico complejo, como Terminal-Bench 4.0, **Sonnet 5.5 y Opus 5.5 siguen claramente más fuertes** (70,6% contra 39,2% de Haiku 5.5). * En trabajo profesional abierto, Sonnet 5.5 todavía va adelante (1.840 contra 1.620 en GDPval-AA). * El tiempo hasta el primer token sube cuando el thinking está activo. Para clasificación y extracción simples, un esfuerzo más bajo tiende a responder antes. ## Dónde genera más valor ### Una fila que hay que clasificar todo el día Llegan mails, tickets y mensajes sin parar, y cada uno necesita un tema, una urgencia y un destino. Haiku 5.5 aplica las mismas reglas en volumen, con latencia baja. **Resultado esperado:** cada ítem sale con categoría, prioridad y ruteo, y los casos ambiguos quedan aparte para una persona. ### Preguntas cortas sobre muchos documentos Alguien hace una pregunta específica sobre uno o pocos archivos, miles de veces. El modelo encuentra el fragmento, responde solo lo que se pidió y señala el origen. **Resultado esperado:** respuestas cortas, con la cita del fragmento, sin reescribir el documento entero. ### Un subagente al lado de un modelo más grande Sonnet 5.5 u Opus 5.5 arma el entregable. Haiku 5.5 entra solo para buscar un número, resumir un adjunto o compactar el contexto antes del paso siguiente. **Resultado esperado:** el modelo más grande gasta el contexto en el juicio, y las consultas repetidas quedan en Haiku 5.5. ## Cómo aplicarlo en Tess **1. Elegí trabajo estrecho y repetitivo** Preferí clasificación, ruteo, extracción, resumen y subagentes. Para trabajo abierto o coding largo, preferí Sonnet 5.5 u Opus 5.5. **2. Cerrá el formato de la respuesta** Enviá las categorías, los ejemplos y la forma exacta de la salida. Decí qué hacer cuando el caso no entra en ninguna categoría. **3. Definí tools y aprobaciones** Habilitá solo las herramientas necesarias. Exigí confirmación antes de enviar, publicar o cambiar datos. **4. Usá menos esfuerzo en las tareas simples** La clasificación y la extracción corta suelen alcanzar con esfuerzo bajo. Reservá el esfuerzo más alto para cuando la tarea realmente necesite razonamiento. **5. Muestreá antes de escalar** Corré un lote chico, revisá errores y falsos positivos, y recién después subí el volumen. ## Tres playbooks para empezar ### 1. Clasificación y ruteo **Entrada:** mensajes o tickets, la lista de categorías y un ejemplo de cada una.\ **Tools:** ninguna, o la cola de origen solo en lectura. ```text theme={null} Clasificá cada ítem en exactamente una categoría de la lista. Devolvé categoría, urgencia (baja, media, alta) y el destino. Si el ítem es ambiguo o no entra en ninguna categoría, marcalo para revisión humana y explicá en una frase qué faltó. No le respondas al cliente. ``` **Listo cuando:** cada ítem tiene una categoría de la lista o está marcado para revisión, sin texto de más. ### 2. Extracción con cita **Entrada:** uno o pocos documentos y la pregunta.\ **Tools:** lectura de archivos. ```text theme={null} Respondé solo la pregunta, en hasta cinco líneas. Usá únicamente lo que está en los documentos y citá el fragmento de origen de cada número o hecho. Si la respuesta no está en los archivos, decí que no la encontraste. No completes con conocimiento general. ``` **Listo cuando:** la respuesta es corta, cada hecho tiene origen y la ausencia de dato queda explícita. ### 3. Subagente de consulta **Entrada:** la pregunta puntual del modelo principal y los archivos donde debería estar la respuesta.\ **Tools:** lectura de archivos. ```text theme={null} Sos un subagente de consulta. Devolvé solo el valor pedido, la unidad y la cita de la fuente. Si hay dos valores en conflicto, listá los dos con el origen. No escribas análisis, recomendación ni texto de presentación. ``` **Listo cuando:** la salida entra en el paso siguiente del modelo principal, sin contexto de más. ## Limitaciones y buenas prácticas * Para trabajo complejo, abierto o de coding largo, Sonnet 5.5 y Opus 5.5 siguen siendo la opción más segura. * El tokenizer nuevo cuenta cerca de un 30% más de tokens que Haiku 4.5 para el mismo texto. Un límite de salida calibrado en el modelo anterior puede cortar la respuesta. * Un contexto de 1M tokens no reemplaza la selección de información. Enviá solo el contenido relevante. * Los safeguards de ciberseguridad son más restrictivos que los de Haiku 4.5 y bloquean pentest y técnicas más asociadas a un ataque. Las tareas defensivas tienen un margen más amplio que en Sonnet 5.5. * Los safeguards de biología son los mismos de Sonnet 5, Sonnet 5.5 y Opus 5. * Revisá una muestra antes de publicar, enviar o automatizar decisiones. * Mantené aprobación humana para decisiones financieras, jurídicas, clínicas o de alto impacto. Ver también: [Modelos y costos](/es/models-and-cost) · [Claude Sonnet 5.5](/es/claude-sonnet-5-5) · [Claude Opus 5.5](/es/claude-opus-5-5) · [Claude Haiku 5.5 — Anthropic](https://www.anthropic.com/claude-haiku-5-5) · [Claude Haiku 5.5 — documentación de Anthropic](https://platform.claude.com/docs/es/models/haiku-5-5/overview). This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.