Claude Haiku 5.5: precio de esfuerzo bajo, benchmarks de esfuerzo máximo

Bueno, rápido y barato: elige dos. Lo sabe cualquiera que haya sacado un proyecto adelante. El 7 de octubre, Anthropic presentó Claude Haiku 5.5 como "the cheapest, fastest, and most capable small model we've ever released". El más barato, el más rápido y el más capaz que han sacado nunca. Los tres a la vez, como el menú que promete ración, prisa y precio de caña.

La prisa tiene nombre: GPT-6 Luna. El día que salió, el 22 de septiembre, Simon Willison apuntó que Haiku 4.5 costaba diez veces más que el pequeño de OpenAI. Quince días después, Anthropic igualó a Luna al céntimo, caché incluida. La carta del de enfrente, copiada a pelo.

Nosotros hemos pasado cada superlativo por la documentación de Anthropic y por las mediciones de Artificial Analysis. Las tres cosas son verdad, pero no a la vez. El precio de portada es el del esfuerzo bajo con prompts cortos. La tabla de benchmarks es la del esfuerzo máximo.

La maleta de la low cost

La rebaja es de verdad, conviene decirlo pronto. Con prompts de hasta 100.000 tokens, Haiku 5.5 cobra una décima parte que Haiku 4.5 y lo mismo que Luna en todo el tramo bajo, caché incluida. Estas son las tarifas oficiales:

Por millón de tokens	Entrada	Salida
Claude Haiku 4.5	$1,00	$5,00
Claude Haiku 5.5, prompt de hasta 100.000 tokens	$0,10	$0,50
Claude Haiku 5.5, prompt de más de 100.000 tokens	$0,50	$2,50
GPT-6 Luna, hasta 272.000 tokens de entrada	$0,10	$0,50
GPT-6 Luna, más de 272.000 tokens de entrada	$0,20	$0,75

Los titulares compraron el 90%. Anthropic, curiosamente, no: en el cuerpo del anuncio habla de un ahorro medio de alrededor del 75% y deja el 90% para una nota al pie. Por una vez, el fabricante es más prudente que la prensa. Lo que falta hasta el 90% tiene dos culpables.

El primero es el metro. Haiku 5.5 estrena tokenizer, la pieza que trocea el texto en las unidades que se cobran. Con él, el mismo texto cuenta alrededor de un 30% más de tokens que en Haiku 4.5. Simon Willison lo midió con un prompt largo y le salió un 25%.

El segundo es la raya. Desde Claude 4.6, todos los modelos de Anthropic cobran la misma tarifa por token a una petición de 9.000 tokens que a una de 900.000. Todos menos Haiku 5.5.

La documentación lo despacha en una línea: "a prompt of over 100,000 tokens pays higher prices". Leída tal cual, al pasar la raya paga el prompt entero, y la salida también sube.

Es la jaula de las low cost, con una vuelta de tuerca. Te bajan el billete a lo bestia y te cambian el metro por uno que mide más larga tu misma maleta. La jaula no se mueve. Los 100.000 tokens del metro nuevo son unos 76.900 del viejo. La maleta que el año pasado entraba holgada ahora roza el hierro. Y si no entra, no pagas el exceso: facturas la maleta entera a precio de bodega.

Con el metro nuevo ya descontado, el mismo texto sale un 87% más barato que en Haiku 4.5 por debajo de la raya. Por encima, un 35%.

Y el escalón es de los que duelen. Añádele un 2% de texto a un prompt que roza la línea y lo que paga de entrada se multiplica por 5,1.

Luna también tiene recargo, pero empieza en los 272.000 tokens y es mucho más suave. Entre una raya y otra, Haiku 5.5 cobra cinco veces más por token que Luna, de entrada y de salida, cada uno con su metro. Para documentos largos, la maleta viaja mejor en la otra aerolínea.

El modelo visualizado no corresponde con el ofertado

Ahora la tabla, que es donde Haiku 5.5 saca bíceps. Estas son dos de sus filas:

Tabla de Anthropic	Haiku 5.5	Haiku 4.5	GPT-6 Luna	Sonnet 5.5
Terminal-Bench 4.0 (programación con agentes)	39,2%	0,0%	16,4%	70,6%
OSWorld 2.1, subconjunto offline (uso del ordenador)	72,4%	15,7%	48,9%	83,9%

Una paliza a su predecesor y un repaso a Luna. Pero cualquiera que haya visto un anuncio de coches en España conoce la línea de letra diminuta del final: el modelo visualizado no corresponde con el ofertado. El precio es del de serie; la foto, del que lleva llantas grandes y pintura metalizada. Esta tabla es la foto.

Haiku 5.5 es el primer Haiku con niveles de esfuerzo, de low a max, y cuanto más alto, más piensa antes de contestar. Ese pensamiento se paga como tokens de salida. De serie viene en medium. Si no dices nada, el camarero rumia la comanda en voz alta, y el monólogo entra en la cuenta.

Lo que Anthropic no pone en la tabla es en qué nivel está cada número. VentureBeat leyó la gráfica de Terminal-Bench de la propia Anthropic: el 39% es a esfuerzo máximo, y a medium ronda el 20%.

En Hacker News, un comentarista lo resumió en una frase digna de nota al pie: "Benchmarks are the entire reason why max exists". O sea, que max existe para salir en la foto.

Simon Willison, que tiene la sana manía de pedirle a cada modelo un SVG de un pelícano en bicicleta, lo probó en todos los niveles. A low, el pelícano tardó 7 segundos; a max, 5 minutos y 9 segundos. Low es la caña que sale al momento. Max es el camarero metido en la cocina a pensar el bicho, mientras el hielo se va.

El de max costó 36 veces más que el de low. Y la bici ya salía bien a partir de medium, como apunta el propio Willison. Lo que se compra de ahí para arriba son detalles: otro comentarista preguntó por qué el pelícano de medium no tenía sol.

Y aquí cojea el segundo superlativo. Anthropic dice que Haiku 5.5 es su modelo más rápido, y en la nota al pie matiza: a velocidad estándar, porque Opus en Fast Mode corre más. El más rápido de la casa, salvo que el hermano mayor pague autopista.

Tampoco es que a max teclee despacio: Artificial Analysis le mide 244 tokens por segundo, su nivel más veloz. El problema es que a max se escribe la Biblia en verso. Y eso se nota en la cuenta: de low a max, el coste por tarea en el índice de Artificial Analysis se multiplica hasta por 8,7.

Mismo precio el kilo, más cáscara

Queda el argumento estrella: cuesta lo mismo que Luna y saca más nota. Las dos cosas son ciertas, pero el precio es por token, y Haiku 5.5 gasta muchos más tokens que Luna para hacer lo mismo. Artificial Analysis lo midió en los cinco niveles de los dos modelos, y OfficeChai recogió sus cifras:

Esfuerzo	Haiku 5.5: nota	Haiku 5.5: tokens de salida por tarea	GPT-6 Luna: nota	GPT-6 Luna: tokens de salida por tarea
low	29	~17.000	22	~2.000
medium	34	~33.000	30	~11.000
high	38	~55.000	33	~20.000
xhigh	41	~89.000	35	~27.000
max	43	~162.000	38	~50.000

Es el puesto de naranjas con el kilo al mismo precio en los dos lados de la calle. En uno te las pesan con la piel fina. En el otro, con tres dedos de cáscara y el papel del envoltorio. Aquí la cáscara es el razonamiento: a max, unos 129.000 de esos 162.000 tokens son pensamiento, no respuesta. Tampoco es basura, que es lo que le sube la nota, pero en la báscula pesa igual.

A igualdad de nota, la ventaja se evapora. Haiku 5.5 a high y Luna a max empatan en el índice, y por tarea Haiku sale a $0,08 y Luna a $0,07. Y eso sin el escalón: Artificial Analysis avisa de que sus costes todavía no recogen el precio por tramos de Haiku.

El remate lo pone la propia Artificial Analysis: a esfuerzo máximo, Haiku 5.5 escribe más tokens de salida que Opus 5.5 a esfuerzo máximo. El pequeño, a tope, habla más que el grande. Ya lo contamos cuando la guerra de precios resultó ser de coste por trabajo terminado, y aquí se ve de libro.

Anthropic lo sabe, y lo escribe en su guía de prompting para Haiku 5.5, que es donde los fabricantes dicen las verdades. Para la guía, xhigh y max son para cuando la mejora en tus evals justifique el coste. A esos niveles el pensamiento y las respuestas se alargan mucho, así que pide pasar las mismas evals por Sonnet 5.5 y comparar rendimiento, coste y velocidad. Dicho en corto: si vas a pedirle a Haiku que sea Sonnet, prueba antes con Sonnet.

Roo, que repasó las gráficas de coste de la propia Anthropic, encontró el cruce en Humanity's Last Exam. Con Haiku a xhigh y Sonnet 5.5 sacando casi la misma nota, Roo lee a ojo unos $0,033 por intento para Sonnet y unos $0,065 para Haiku. Lectura aproximada, pero apunta adonde apunta la guía.

La misma guía guarda otra joya. A xhigh, en conversaciones de varios turnos, el modelo a veces mete la respuesta entera en el pensamiento y cierra el turno sin texto visible. Pagas la cáscara y te quedas sin naranja.

El búfalo se ha comido ese marrón con otros modelos de razonamiento. Con un límite de tokens cerrado, se fundían el presupuesto pensando y entregaban turnos en blanco, y peor cuanto más se alargaba la conversación. Desde entonces mira con lupa lo que viene de fábrica: un modelo que piensa de serie te infla la cuenta sin que nadie toque la tarifa.

Y con Haiku 5.5 no basta con pedírselo por las buenas. En las pruebas de Anthropic, decirle en el prompt que contestara directamente no le quitó las ganas de pensar. Es pedirle al camarero que vaya al grano: asiente y sigue a lo suyo. Para apagarlo hay un parámetro, y solo funciona de high para abajo.

El chaval de la cantera

Toca hacer justicia, que desmontar no es negarlo todo. El salto sobre Haiku 4.5 es brutal y no lo mide solo Anthropic. Artificial Analysis le daba 17 puntos en su índice a Haiku 4.5, y a Haiku 5.5 a max le da 43. En cada nivel de esfuerzo, además, saca más nota que Luna.

En su propia pasada de Terminal-Bench 4.0, Artificial Analysis le mide un 33%, algo por debajo del 39,2% de la tabla de Anthropic.

Luna, en esa misma prueba, se queda en un 13%. Haiku es el chaval de la cantera que hace un año no tocaba balón y hoy le quita el puesto al fichaje barato del rival. Estrella todavía no es: Sonnet 5.5 marca un 70,6% en la tabla de Anthropic.

Hasta tiene una virtud rara en un modelo pequeño. En AA-Omniscience, la prueba de conocimiento de Artificial Analysis, acierta menos datos que Luna, pero su tasa de alucinación es del 40% frente al 77% de Luna. Sabe menos, pero dice "no lo sé" con más facilidad. En la barra, ese colega te ahorra el marrón de quien se inventa el resultado.

Si hoy pagas Haiku 4.5, no hay nada que pensar: mejor modelo y una factura mucho más baja.

Veredicto: llévate el de serie

¿Cuánto humo había? En el precio, poco. La rebaja es real y Anthropic la cuenta con más decencia que muchos titulares. En la foto, bastante. El Haiku que le pinta la cara a Luna en la tabla es el de esfuerzo máximo, con minutos de espera y apetito de modelo grande. El que te venden a diez céntimos es el de serie. Y el de serie, ojo, es un buen coche.

Lo que haríamos nosotros:

• Clasificar, extraer, enrutar, resumir y subagentes: Haiku 5.5 a low o medium, que es justo el trabajo para el que Anthropic lo pensó. Con low en prompts largos de agente, cuidado: la guía avisa de que es más fácil que se salte una búsqueda o una comprobación. El camarero rápido a veces se deja la tapa.
• Prompts que rozan la raya: cuéntalos con el metro nuevo y trocéalos por debajo de los 100.000 tokens. Si no se pueden trocear, Luna. Parte la maleta antes de que la jaula te la facture entera.
• Lo difícil: antes de subir Haiku a xhigh o max, pasa las mismas pruebas por Sonnet 5.5, como pide la propia guía.
• Los valores de fábrica: fija el esfuerzo a mano y deja sitio al pensamiento en max_tokens, que cuenta contra ese límite. Si no, el modelo piensa por ti y cobra por ti.

El búfalo lleva tiempo enrutando así y sin casarse con ningún proveedor. A cada nivel de dificultad le toca lo más barato que cumpla, sea de Anthropic o de OpenAI. Si lo barato se estrella una y otra vez con la misma clase de entrada, esa clase sube de categoría y el resto se queda donde está. Y si el clasificador cabe en un if, no molesta a ningún modelo. En ese esquema, Haiku 5.5 encaja de maravilla en el escalón de abajo.

El triángulo sigue en pie. Lo nuevo es que con Haiku 5.5 se elige en un parámetro de la API. Y el que no lo toca no elige: le toca medium, que piensa de serie y cobra lo que piensa.