Claude Haiku 5.5؛ ارزان‌ترین مدل Anthropic چه می‌کند؟

Claude Haiku 5.5 از ۱۵ مهر ۱۴۰۵ (۷ اکتبر ۲۰۲۶) در دسترس است و ادعای Anthropic این است که «ارزان‌ترین، سریع‌ترین و توانمندترین مدل کوچکی» است که تا امروز عرضه کرده. عدد جذابش ساده است: ۰٫۱۰ دلار برای هر یک میلیون توکن ورودی و ۰٫۵۰ دلار برای خروجی، در درخواست‌هایی تا ۱۰۰ هزار توکن. اما عدد قیمت فقط نیمی از ماجراست؛ نیم دیگر این است که این مدل برای چه کارهایی به‌دردبخور است و کجا باید سراغ مدل بزرگ‌تر رفت.

در این مقاله از روی صفحه‌ی رسمی معرفی مدل و گزارش‌های خبری می‌خوانیم Claude Haiku 5.5 چه تغییری نسبت به Haiku 4.5 کرده، قیمتش در عمل چقدر درمی‌آید، بنچمارک‌ها چه می‌گویند و اگر یوتیوبر، تولیدکننده‌ی محتوا یا برنامه‌نویسِ ابزارهای کوچک هستید، کجا می‌توانید از آن پول دربیاورید یا هزینه کم کنید. هر عددی که فقط ادعای خود Anthropic است، همان‌جا مشخص شده.

خلاصه در یک نگاه:

Claude Haiku 5.5 اولین Haiku با تنظیم «effort» است؛ شناسه‌ی API آن claude-haiku-5-5 است.
قیمت تا ۱۰۰ هزار توکن: ورودی ۰٫۱۰ و خروجی ۰٫۵۰ دلار برای هر میلیون توکن (Haiku 4.5: ۱ و ۵ دلار).
Anthropic می‌گوید هزینه‌ی اجرا به‌طور میانگین حدود ۷۵٪ کمتر از Haiku 4.5 است؛ این میانگین است، نه تضمین.
برای کارهای پرتعداد و سبک (طبقه‌بندی، خلاصه‌سازی، زیرعامل‌ها) ساخته شده، نه برای کدنویسی سنگین.
همزمان قیمت cache read مدل Sonnet 5.5 نصف شد: از ۰٫۲۰ به ۰٫۱۰ دلار.

Claude Haiku 5.5 دقیقاً چیست؟

Anthropic مدل‌هایش را در سه رده عرضه می‌کند: Opus برای سخت‌ترین کارها، Sonnet برای تعادل و Haiku برای سرعت و قیمت. Haiku 5.5 جدیدترین عضو رده‌ی کوچک است و بر اساس صفحه‌ی رسمی برای کارهای پرحجم و حساس به تأخیر طراحی شده: طبقه‌بندی، خلاصه‌سازی، فشرده‌سازی متن (compaction)، پرس‌وجو از پایگاه‌داده، پشتیبانی زنده، زیرعامل‌ها (sub-agents) و کار با مرورگر.

تغییر مهم دیگر، تنظیم effort است. Haiku تا قبل از این نسخه فقط یک حالت داشت؛ حالا مثل مدل‌های بزرگ‌تر می‌شود میزان «فکر کردن» را تعیین کرد. در نمودارهای رسمی پنج سطح دیده می‌شود: Low، Med، High، Xhigh و Max. یعنی برای یک کار ساده می‌توانید روی Low بگذارید و برای کاری که کمی استدلال می‌خواهد سطح را بالا ببرید، بدون اینکه مدل را عوض کنید.

از نظر دسترسی، مدل هم در Claude Platform با شناسه‌ی claude-haiku-5-5 هست و هم روی Amazon Web Services، Google Cloud و Microsoft Azure. پشتیبانی بتا از computer use و browser use هم برای SDKهای پایتون و تایپ‌اسکریپت اعلام شده است. یک نکته‌ی مهم: صفحه‌ی رسمی اندازه‌ی context window را ذکر نمی‌کند. یکی از گزارش‌های خبری از ۱ میلیون توکن context و ۱۲۸ هزار توکن خروجی نوشته، اما چون در صفحه‌ی رسمی نیامده، آن را باید «تأییدنشده در منبع اصلی» حساب کرد و پیش از طراحی پروژه، مستندات API را چک کنید.

قیمت Haiku 5.5؛ جدول مقایسه با Haiku 4.5 و Sonnet 5.5

قیمت‌ها بر اساس هر یک میلیون توکن و به دلار است. برای Haiku 5.5 دو ستون آمده: درخواست‌های تا ۱۰۰ هزار توکن و بالاتر از آن.

مورد	Haiku 5.5 (تا ۱۰۰ هزار / بالاتر)	Haiku 4.5	Sonnet 5.5
ورودی	0.10 / 0.50	1.00	2.00
خروجی	0.50 / 2.50	5.00	10.00
خواندن از cache	0.01 / 0.05	0.10	0.10
نوشتن در cache	0.125 / 0.625	1.25	2.50

طبق پاورقی Anthropic، توکن‌های Haiku 5.5 برای درخواست‌های تا ۱۰۰ هزار توکن حدود ۹۰٪ و بالاتر از آن حدود ۵۰٪ ارزان‌تر از Haiku 4.5 هستند. چرا پس عدد کلی «۷۵٪» است؟ چون توکنایزر جدید برای یک کار یکسان کمی توکن بیشتری مصرف می‌کند. به گفته‌ی خود Anthropic حدود ۹۰٪ درخواست‌های Haiku قبلی در ردیف کوتاه‌تر قرار می‌گرفت، پس برای بیشتر کاربران عدد نزدیک به همین ۷۵٪ دور از ذهن نیست؛ اما صرفه‌جویی واقعی شما به الگوی مصرف‌تان بستگی دارد.

یک محاسبه‌ی عملی: ۱۰ هزار کامنت یوتیوب چقدر خرج دارد؟

فرض کنید ابزار کوچکی دارید که کامنت‌های کانال را دسته‌بندی می‌کند (سؤال، انتقاد، اسپم، پیشنهاد ویدیو). این محاسبه برآورد خودم با قیمت‌های بالاست و فرضش این است که ۱۰ هزار درخواست دارید و هر کدام حدود ۲۰۰۰ توکن ورودی (دستورالعمل به‌اضافه‌ی چند کامنت) و ۲۰۰ توکن خروجی دارد؛ یعنی ۲۰ میلیون توکن ورودی و ۲ میلیون توکن خروجی. هزینه‌ی اسمی، بدون در نظر گرفتن cache و بدون اثر توکنایزر جدید، این می‌شود:

مدل	هزینه‌ی ورودی	هزینه‌ی خروجی	جمع
Haiku 5.5	2 دلار	1 دلار	3 دلار
Haiku 4.5	20 دلار	10 دلار	30 دلار
Sonnet 5.5	40 دلار	20 دلار	60 دلار

سه دلار برای ۱۰ هزار درخواست یعنی هزینه‌ی هر درخواست حدود سی‌صدم سنت. در عمل چون توکنایزر جدید کمی توکن بیشتری می‌شمارد، عدد واقعی کمی بالاتر می‌رود، ولی ردیف قیمتی همچنان یک‌دهم Haiku قبلی است. نتیجه‌ی عملی: کارهایی که تا دیروز به‌خاطر هزینه «صرف نمی‌کرد» مثل برچسب‌گذاری همه‌ی کامنت‌ها، خلاصه‌ی همه‌ی رونویسی‌ها یا بررسی همه‌ی عنوان‌های پیشنهادی، حالا قابل انجام شده.

بنچمارک‌ها؛ چه چیزی را باید باور کرد؟

همه‌ی اعداد زیر را خود Anthropic گزارش کرده و تا جایی که من دیدم، آزمون مستقل چشمگیری هنوز منتشر نشده. پس آن‌ها را نشانه‌ی جهت حرکت بدانید، نه حکم نهایی.

آزمون	Haiku 5.5	Haiku 4.5	GPT-6 Luna	Sonnet 5.5
OSWorld 2.1 (زیرمجموعه‌ی آفلاین)	72.4%	15.7%	48.9%	83.9%
Terminal-Bench 4.0	39.2%	0.0%	16.4%	70.6%
Humanity’s Last Exam (بدون ابزار)	45.9%	10.2%	—	56.9%
FrontierCode 1.1 (Main)	46.4%	—	42.4%	52.1%

سه نکته در این جدول مهم است. اول، جهش نسبت به Haiku 4.5 واقعاً بزرگ است؛ در OSWorld از ۱۵٫۷٪ به ۷۲٫۴٪ رسیده، یعنی برای کار با رایانه (کلیک، پر کردن فرم، گشت‌وگذار) حالا قابل استفاده است. دوم، Sonnet 5.5 همچنان در همه‌ی ردیف‌ها جلوتر است؛ پس Haiku جایگزین مدل بزرگ نیست و Anthropic هم خودش برای کدنویسی پیچیده و کارهای چندمرحله‌ای Sonnet 5.5 و Opus 5.5 را پیشنهاد می‌کند. سوم، در همین جدول Haiku 5.5 از GPT-6 Luna هم بالاتر نشان داده شده، اما چون مقایسه را سازنده‌ی خودِ Haiku منتشر کرده، منتظر آزمون‌های مستقل بمانید. اگر مدل‌های دیگر را هم دنبال می‌کنید، مقاله‌ی GPT-6 در ChatGPT و بررسی Gemini 4 Argon را هم ببینید.

تنظیم effort؛ چطور از آن پول دربیاوریم؟

ایده‌ی ساده است: هر چه effort بالاتر باشد، مدل بیشتر فکر می‌کند، توکن بیشتری خرج می‌شود و پاسخ دیرتر می‌رسد. در عمل یک قاعده‌ی تجربی (برداشت خودم، نه توصیه‌ی رسمی) این است:

Low: برای کارهای مکانیکی مثل برچسب‌گذاری کامنت، استخراج تاریخ و نام از متن، تشخیص زبان.
Med: برای خلاصه‌سازی رونویسی ویدیو یا بازنویسی توضیحات.
High و بالاتر: برای وقتی که خروجی باید چند شرط را همزمان رعایت کند، مثلاً ساخت فصل‌بندی ویدیو با قید زمان و طول.

روش درست این است که روی ۵۰ نمونه‌ی واقعی خودتان با Low شروع کنید، خطاها را بشمارید و فقط اگر نرخ خطا قابل‌قبول نبود سطح را بالا ببرید. بنچمارک عمومی جای آزمون روی داده‌ی خودتان را نمی‌گیرد.

Haiku 5.5 برای یوتیوبرها و تولیدکنندگان محتوا

اگر فقط از اپ چت استفاده می‌کنید، این مدل مستقیماً چیز زیادی عوض نمی‌کند؛ مزیتش بیشتر برای کسانی است که ابزار یا اتوماسیون می‌سازند. چند کاربرد منطقی (پیشنهاد من بر پایه‌ی کارهایی که Anthropic برایشان مدل را معرفی کرده):

دسته‌بندی کامنت‌ها: جدا کردن سؤال‌ها، انتقادهای سازنده و اسپم، همان مثال هزینه‌ای که بالا آمد.
خلاصه و فصل‌بندی رونویسی: گرفتن متن ویدیو و ساختن فهرست فصل‌ها و توضیحات؛ این کار با روش‌های کاربرد هوش مصنوعی در یوتیوب هم‌خوان است.
زیرعامل در یک گردش کار بزرگ: مدل بزرگ‌تر برنامه را می‌چیند و Haiku کارهای تکراری را اجرا می‌کند. دقیقاً همان الگویی که Anthropic پیشنهاد می‌دهد.
اسکریپت‌نویسی مرحله‌ی اول: ساخت چند پیش‌نویس سریع برای ایده‌ها و سپس صیقل دادن با مدل قوی‌تر؛ نکات این کار را در استفاده از هوش مصنوعی برای نوشتن اسکریپت بخوانید.
پشتیبانی زنده: پاسخ اولیه به سؤال‌های تکراری مخاطبان کانال یا فروشگاه.

درباره‌ی ابزارهای خودِ یوتیوب هم می‌توانید قابلیت‌های هوش مصنوعی داخل یوتیوب را مقایسه کنید؛ آن‌ها بدون کدنویسی کار می‌کنند و مکمل چنین APIهایی هستند.

کجا نباید سراغ Haiku 5.5 رفت؟

مدل کوچک همیشه انتخاب درست نیست. اگر کارتان بازنویسی یک مقاله‌ی بلند با لحن دقیق است، تحلیل چندمرحله‌ای، یا کدنویسی روی پروژه‌ی بزرگ، اختلاف ۷۰٫۶٪ در برابر ۳۹٫۲٪ در Terminal-Bench به‌خوبی نشان می‌دهد که Sonnet 5.5 جلوتر است. هزینه‌ی چند دلار بیشتر معمولاً از وقتی که صرف اصلاح خروجی ضعیف می‌شود، ارزان‌تر است. یک نکته‌ی دیگر مربوط به کیفیت فارسی است: صفحه‌ی رسمی بنچمارکی مخصوص زبان فارسی نیاورده، پس کیفیت متن فارسی را فقط با آزمون خودتان می‌توانید بسنجید. من هم عدد یا ادعایی در این باره ندارم.

چطور شروع کنیم؟

در کنسول Anthropic یا یکی از سه ابر (AWS، Google Cloud، Azure) دسترسی مدل را فعال کنید.
در درخواست API شناسه‌ی claude-haiku-5-5 را بگذارید و ابتدا effort را روی پایین‌ترین حالت نگه دارید.
یک مجموعه‌ی ۵۰ تا ۱۰۰ نمونه‌ی واقعی با پاسخ درست آماده کنید و نتیجه را با Sonnet 5.5 مقایسه کنید.
اگر دستورالعمل شما طولانی و ثابت است، از prompt caching استفاده کنید؛ قیمت خواندن از cache در Haiku 5.5 تا ۱۰۰ هزار توکن فقط ۰٫۰۱ دلار برای هر میلیون توکن است.
برای قابلیت‌های بتای computer use و browser use حتماً دسترسی را محدود کنید و اقدام‌های روی سرویس‌های بیرونی را زیر نظر بگیرید.

تغییر هم‌زمان: ارزان‌تر شدن Sonnet 5.5

Anthropic هم‌زمان قیمت cache read مدل Sonnet 5.5 را از ۰٫۲۰ به ۰٫۱۰ دلار برای هر میلیون توکن رساند و می‌گوید این کار هزینه‌ی اجرای Sonnet 5.5 را در بیشتر سناریوهای عاملی حدود ۲۰٪ کم می‌کند. پس اگر خط لوله‌تان prompt بلند و تکراری دارد، شاید لازم نباشد کل کار را به Haiku منتقل کنید؛ مقایسه‌ی دو گزینه با داده‌ی خودتان بهترین راه است. بر اساس گزارش‌ها، مشترکان پلن Max و Team ماهانه اعتبار API هم می‌گیرند، اما جزئیات این اعتبار را در صفحه‌ی رسمی خودتان بررسی کنید.

جمع‌بندی

Claude Haiku 5.5 بیشتر از آنکه «مدل قوی‌تر» باشد، «اقتصاد جدید» است: کارهایی که قبلاً به‌خاطر هزینه یا ضعف مدل کوچک انجام نمی‌شد، حالا شدنی است. اگر ابزار یا اتوماسیون می‌سازید، آزمونش چند دلار بیشتر خرج ندارد. اگر فقط از چت استفاده می‌کنید، نیازی نیست عجله کنید. همچنان بهترین رویکرد این است که کار سنگین را به مدل بزرگ بسپارید و کارهای تکراری و پرحجم را به Haiku.

پرسش‌های متداول

Claude Haiku 5.5 چقدر قیمت دارد؟

برای درخواست‌های تا ۱۰۰ هزار توکن، ۰٫۱۰ دلار برای هر میلیون توکن ورودی و ۰٫۵۰ دلار برای هر میلیون توکن خروجی. بالاتر از ۱۰۰ هزار توکن، قیمت ۰٫۵۰ و ۲٫۵۰ دلار است.

Haiku 5.5 با Haiku 4.5 چه فرقی دارد؟

ارزان‌تر است، تنظیم effort دارد و طبق گزارش Anthropic در آزمون‌های کار با رایانه و ترمینال جهش بزرگی داشته. توکنایزر جدید کمی توکن بیشتری مصرف می‌کند، برای همین صرفه‌جویی کلی حدود ۷۵٪ است نه ۹۰٪.

آیا Haiku 5.5 جای Sonnet 5.5 را می‌گیرد؟

خیر. در همه‌ی بنچمارک‌های منتشرشده Sonnet 5.5 جلوتر است و Anthropic هم آن را برای کارهای پیچیده پیشنهاد می‌کند. Haiku برای کارهای پرحجم و سبک مناسب‌تر است.

از کجا می‌شود به آن دسترسی داشت؟

از Claude Platform با شناسه‌ی claude-haiku-5-5، و همچنین Amazon Web Services، Google Cloud، Microsoft Azure و Claude Code.

آیا به فارسی خوب کار می‌کند؟

منبع رسمی بنچمارک فارسی منتشر نکرده است. پیش از استفاده‌ی جدی، چند نمونه‌ی واقعی فارسی خودتان را آزمایش کنید.

منابع

آخرین بررسی: ۱ آبان ۱۴۰۵