Quando usar o Haiku 5.5, o Sonnet 5.5 e o Opus 5.5
Os três modelos se complementam. A Anthropic posiciona o Haiku 5.5 para trabalho estreito e repetitivo, o Sonnet 5.5 para o dia a dia com escopo claro, e o Opus 5.5 para trabalho complexo e aberto.O que muda em relação ao Claude Haiku 4.5
Mais capaz no trabalho repetitivo
O Haiku 5.5 cobre o mesmo tipo de tarefa do Haiku 4.5 com uma margem bem maior. Em trabalho profissional (GDPval-AA), a pontuação publicada pela Anthropic sobe de 735 para 1.620. Em uso de computador no subconjunto offline do OSWorld 2.1, sobe de 15,7% para 72,4%.Mais rápido, com esforço ajustável
É o modelo mais rápido da Anthropic na velocidade padrão de cada modelo. O modo Fast dos modelos Opus ainda pode ser mais rápido. O thinking é adaptive e vem ligado por padrão, com esforçomedium. Em esforço mais baixo, o modelo pensa menos e pode pular o thinking em pedidos simples.
O que os primeiros testes mostraram
- A Asana mediu mais de 30% menos latência na conclusão de tarefas e até 2,5 vezes mais velocidade de inferência por turno, em triagem de bugs, setup de projetos e busca em portfólios.
- A HubSpot registrou 92,8% em uma suíte de tarefas de CRM (média de três execuções). Numa auditoria de registros antigos e ambíguos, o Haiku 5.5 foi o mais rápido, com a maior taxa de acerto e a menor taxa de falso positivo entre os modelos testados.
- A AlphaSense, em cerca de 8 milhões de chamadas semanais de perguntas sobre documentos, comparou 400 consultas: 0,84 contra 0,76 do Haiku 4.5.
- A Box viu 11 pontos acima do Haiku 4.5 com cerca de metade da latência, em relatórios e resumos que rodam em escala.
- No Devin Fusion, o Haiku 5.5 como modelo auxiliar manteve 66,2 no FrontierCode com o Opus 5.5 na liderança, com menos latência.
O que os benchmarks mostram
Nos resultados publicados pela Anthropic, o salto em relação ao Haiku 4.5 é grande em quase todas as áreas. Em coding agêntico de terminal, o Sonnet 5.5 continua bem à frente.
Na avaliação independente da Artificial Analysis, a variante de esforço baixo marcou 29 no Intelligence Index, em 22º lugar entre 182 modelos da mesma classe. A mediana da faixa de preço é 13. Nessa medição, o modelo gerou texto a 181 tokens por segundo e custou US$ 0,02 por tarefa do índice. Também foi conciso: 32 milhões de tokens de saída no índice, contra uma mediana de 100 milhões.
No BenchLM, o agregado parcial é 66,35 de 100, em 28º lugar entre 888 modelos. A cobertura ainda é parcial (18 benchmarks), então a nota é conservadora. O Haiku 4.5 aparece com 41,45 no mesmo ranking.
A tabela foi publicada pela Anthropic. O Intelligence Index da Artificial Analysis mede a variante de esforço baixo, e o agregado do BenchLM usa cobertura parcial. Os resultados dependem do harness, das tools e do effort. Valide no seu fluxo antes de trocar uma configuração em produção.
Onde ele não lidera
- Em coding agêntico complexo, como o Terminal-Bench 4.0, o Sonnet 5.5 e o Opus 5.5 continuam claramente mais fortes (70,6% contra 39,2% do Haiku 5.5).
- Em trabalho profissional aberto, o Sonnet 5.5 ainda fica à frente (1.840 contra 1.620 no GDPval-AA).
- O tempo até o primeiro token sobe quando o thinking está ativo. Para classificação e extração simples, um esforço mais baixo tende a responder antes.
Onde ele gera mais valor
Uma fila que precisa ser classificada o dia todo
E-mails, chamados e mensagens chegam sem parar, e cada um precisa de um assunto, uma urgência e um destino. O Haiku 5.5 aplica as mesmas regras em volume, com latência baixa. Resultado esperado: cada item sai com categoria, prioridade e roteamento, e os casos ambíguos ficam separados para uma pessoa.Perguntas curtas sobre muitos documentos
O usuário faz uma pergunta específica sobre um ou poucos arquivos, milhares de vezes. O modelo localiza o trecho, responde só o que foi pedido e aponta a origem. Resultado esperado: respostas curtas, com a citação do trecho, sem reescrever o documento inteiro.Um subagente ao lado de um modelo maior
O Sonnet 5.5 ou o Opus 5.5 monta o entregável. O Haiku 5.5 entra só para buscar um número, resumir um anexo ou compactar o contexto antes da próxima etapa. Resultado esperado: o modelo maior gasta o contexto no julgamento, e as consultas repetidas ficam no Haiku 5.5.Como aplicar na Tess
1
Escolha trabalho estreito e repetitivo
Prefira classificação, roteamento, extração, resumo e subagentes. Para trabalho aberto ou coding longo, prefira o Sonnet 5.5 ou o Opus 5.5.
2
Feche o formato da resposta
Envie as categorias, os exemplos e o formato exato da saída. Diga o que fazer quando o caso não couber em nenhuma categoria.
3
Defina tools e aprovações
Habilite apenas as ferramentas necessárias. Exija confirmação antes de enviar, publicar ou alterar dados.
4
Use menos esforço nas tarefas simples
Classificação e extração curta costumam bastar com esforço baixo. Reserve esforço maior para quando a tarefa realmente precisar de raciocínio.
5
Amostre antes de escalar
Rode um lote pequeno, confira erros e falsos positivos, e só então aumente o volume.
Três playbooks para começar
1. Classificação e roteamento
Entrada: mensagens ou chamados, a lista de categorias e exemplos de cada uma.Tools: nenhuma, ou a fila de origem apenas para leitura.
2. Extração com citação
Entrada: um ou poucos documentos e a pergunta.Tools: leitura de arquivos.
3. Subagente de consulta
Entrada: a pergunta pontual do modelo principal e os arquivos onde a resposta deve estar.Tools: leitura de arquivos.
Limitações e boas práticas
- Para trabalho complexo, aberto ou de coding longo, o Sonnet 5.5 e o Opus 5.5 continuam sendo a escolha mais segura.
- O tokenizer novo conta cerca de 30% mais tokens que o Haiku 4.5 para o mesmo texto. Um limite de saída calibrado no modelo anterior pode cortar a resposta.
- Contexto de 1M tokens não substitui seleção de informação. Envie apenas o conteúdo relevante.
- Os safeguards de cibersegurança são mais restritivos que os do Haiku 4.5 e bloqueiam pentest e técnicas mais associadas a ataque. Tarefas defensivas têm uma faixa mais ampla que no Sonnet 5.5.
- Os safeguards de biologia são os mesmos do Sonnet 5, do Sonnet 5.5 e do Opus 5.
- Revise uma amostra antes de publicar, enviar ou automatizar decisões.
- Mantenha aprovação humana para decisões financeiras, jurídicas, clínicas ou de alto impacto.