Anthropic: Claude Haiku 5.5 (batch)

Claude Haiku 5.5 (batch) adalah model teks dari Anthropic, yang ditawarkan melalui api14 dengan model id anthropic/claude-haiku-5.5:batch. Ini adalah penerus Claude Haiku 4.5, dan Anthropic memposisikannya sebagai model kecil dan cepat yang ditujukan untuk pekerjaan bervolume tinggi dan sensitif terhadap biaya. Varian batch adalah versi yang Anda panggil melalui endpoint yang kompatibel dengan OpenAI dari api14.

Model ini menerima teks, gambar, dan file sebagai input, dan mengembalikan teks. Jendela konteksnya adalah 1.000.000 token, yang cukup besar untuk menampung dokumen panjang, riwayat percakapan yang diperpanjang, atau basis kode yang cukup besar dalam satu permintaan. Output maksimum adalah 128.000 token, sehingga respons dapat menjadi panjang ketika tugas memerlukannya. Anthropic menggambarkan model ini sebagai lebih kuat daripada pendahulunya dalam coding, computer use, dan tugas agentic terkait.

Kemampuan tersebut mengarah pada serangkaian penggunaan yang cukup spesifik. Summarization adalah kecocokan alami, terutama pada input panjang yang jika tidak demikian perlu dipecah menjadi beberapa bagian. Subagent adalah penggunaan lain: model cepat yang dapat dipanggil berkali-kali secara paralel cocok untuk pola orkestrasi di mana model yang lebih besar merencanakan dan model kelas Haiku mengeksekusi. Beban kerja browser use dan computer use juga mengikuti kekuatan yang dinyatakan model ini, begitu pula bantuan coding di mana latensi dan throughput lebih penting daripada kedalaman penalaran maksimum. Karena gambar dan file diterima sebagai input, analisis dokumen dan screenshot dapat ditangani dalam permintaan yang sama dengan prompt teks.

Untuk memanggilnya melalui api14, gunakan model id anthropic/claude-haiku-5.5:batch dengan antarmuka chat completions yang kompatibel dengan OpenAI. Parameter permintaan yang didukung adalah include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools, dan verbosity. Tool calling dan structured outputs keduanya tersedia, yang berarti model dapat dihubungkan ke loop function-calling atau dibatasi untuk mengeluarkan respons berbentuk JSON. Reasoning dapat diminta dan tingkat effort-nya dapat disetel, dan flag include_reasoning mengontrol apakah konten reasoning dikembalikan.

Penamaan batch perlu diperhatikan ketika Anda memilih antara model ini dan model lain di platform. Jika beban kerja Anda interaktif dan membutuhkan latensi serendah mungkin, atau jika menuntut penalaran terdalam yang tersedia, model lain mungkin lebih cocok untuk Anda. Untuk pekerjaan bervolume tinggi dan sensitif terhadap biaya di mana inputnya panjang dan outputnya terbatas, model ini adalah pilihan yang dimaksudkan.