Anthropic: Claude Haiku 5.5 (batch)

Claude Haiku 5.5 (batch) es un modelo de texto de Anthropic, ofrecido a través de api14 bajo el id de modelo anthropic/claude-haiku-5.5:batch. Es el sucesor de Claude Haiku 4.5, y Anthropic lo posiciona como un modelo pequeño y rápido orientado a trabajo de alto volumen y sensible al costo. La variante batch es la versión que se llama a través del endpoint compatible con OpenAI de api14.

El modelo acepta texto, imágenes y archivos como entrada, y devuelve texto. Su ventana de contexto es de 1.000.000 de tokens, lo cual es suficientemente grande para contener documentos largos, historiales de conversación extensos o bases de código considerables en una sola solicitud. La salida máxima es de 128.000 tokens, por lo que las respuestas pueden ser largas cuando la tarea lo requiere. Anthropic describe el modelo como más fuerte que su predecesor en programación, uso de computadora y tareas agénticas relacionadas.

Esas capacidades apuntan a un conjunto bastante específico de usos. La summarización encaja de forma natural, especialmente sobre entradas largas que de otro modo necesitarían fragmentación. Los subagentes son otro caso: un modelo rápido que puede llamarse muchas veces en paralelo se adapta a patrones de orquestación donde un modelo más grande planifica y los modelos de la clase Haiku ejecutan. Las cargas de trabajo de uso de navegador y uso de computadora también se derivan de las fortalezas declaradas del modelo, al igual que la asistencia de programación donde la latencia y el rendimiento importan más que la profundidad máxima de razonamiento. Dado que se aceptan imágenes y archivos como entrada, el análisis de documentos y capturas de pantalla puede manejarse en la misma solicitud que el prompt de texto.

Para llamarlo a través de api14, use el id de modelo anthropic/claude-haiku-5.5:batch con la interfaz de chat completions compatible con OpenAI. Los parámetros de solicitud soportados son include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools y verbosity. Tanto el llamado a herramientas como las salidas estructuradas están disponibles, lo que significa que el modelo puede integrarse en bucles de function calling o restringirse para emitir respuestas con forma de JSON. El razonamiento puede solicitarse y su nivel de esfuerzo ajustarse, y la bandera include_reasoning controla si se devuelve el contenido de razonamiento.

La designación batch vale la pena tenerla en cuenta al elegir entre este y otros modelos de la plataforma. Si su carga de trabajo es interactiva y necesita la menor latencia posible, o si exige el razonamiento más profundo disponible, otro modelo podría convenirle mejor. Para trabajos de alto volumen y sensibles al costo donde la entrada es larga y la salida está acotada, este modelo es el indicado.