Anthropic: Claude Haiku 5.5 (batch)

Claude Haiku 5.5 (batch) ist ein Textmodell von Anthropic, das über api14 unter der Modell-ID anthropic/claude-haiku-5.5:batch angeboten wird. Es ist der Nachfolger von Claude Haiku 4.5, und Anthropic positioniert es als kleines, schnelles Modell für volumenstarke, kostensensitive Arbeit. Die Batch-Variante ist die Version, die man über den OpenAI-kompatiblen Endpunkt von api14 aufruft.

Das Modell akzeptiert Text, Bilder und Dateien als Eingabe und gibt Text zurück. Sein Kontextfenster beträgt 1.000.000 Token, was groß genug ist, um lange Dokumente, ausgedehnte Gesprächsverläufe oder umfangreiche Codebasen in einer einzigen Anfrage unterzubringen. Die maximale Ausgabe beträgt 128.000 Token, sodass Antworten lang sein können, wenn die Aufgabe es erfordert. Anthropic beschreibt das Modell als stärker als seinen Vorgänger bei Coding, Computer Use und verwandten agentischen Aufgaben.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Zusammenfassung passt natürlich, besonders bei langen Eingaben, die sonst aufgeteilt werden müssten. Subagenten sind ein weiterer Punkt: Ein schnelles Modell, das viele Male parallel aufgerufen werden kann, eignet sich für Orchestrierungsmuster, bei denen ein größeres Modell plant und Modelle der Haiku-Klasse ausführen. Browser-Use- und Computer-Use-Workloads ergeben sich ebenfalls aus den angegebenen Stärken des Modells, ebenso wie Coding-Unterstützung, bei der Latenz und Durchsatz wichtiger sind als maximale Reasoning-Tiefe. Da Bilder und Dateien als Eingabe akzeptiert werden, können Dokument- und Screenshot-Analysen in derselben Anfrage wie der Text-Prompt bearbeitet werden.

Um es über api14 aufzurufen, verwendet man die Modell-ID anthropic/claude-haiku-5.5:batch mit der OpenAI-kompatiblen Chat-Completions-Schnittstelle. Die unterstützten Anfrageparameter sind include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools und verbosity. Tool Calling und Structured Outputs sind beide verfügbar, was bedeutet, dass das Modell in Function-Calling-Schleifen eingebunden oder darauf beschränkt werden kann, JSON-förmige Antworten auszugeben. Reasoning kann angefordert und sein Effort-Level abgestimmt werden, und das Flag include_reasoning steuert, ob Reasoning-Inhalt zurückgegeben wird.

Die Batch-Bezeichnung ist erwähnenswert, wenn man zwischen diesem und anderen Modellen auf der Plattform wählt. Wenn die eigene Workload interaktiv ist und die niedrigstmögliche Latenz benötigt, oder wenn sie das tiefste verfügbare Reasoning verlangt, könnte ein anderes Modell besser passen. Für volumenstarke, kostensensitive Aufgaben, bei denen die Eingabe lang und die Ausgabe begrenzt ist, ist dieses Modell die vorgesehene Wahl.