Anthropic: Claude Haiku 5.5 (batch)

Claude Haiku 5.5 (batch) è un modello testuale di Anthropic, offerto tramite api14 con l'id modello anthropic/claude-haiku-5.5:batch. È il successore di Claude Haiku 4.5, e Anthropic lo posiziona come un modello piccolo e veloce pensato per carichi di lavoro ad alto volume e sensibili ai costi. La variante batch è la versione che si chiama tramite l'endpoint compatibile OpenAI di api14.

Il modello accetta testo, immagini e file come input, e restituisce testo. La sua finestra di contesto è di 1.000.000 di token, abbastanza ampia da contenere documenti lunghi, cronologie di conversazione estese o codebase di dimensioni considerevoli in un'unica richiesta. L'output massimo è di 128.000 token, quindi le risposte possono essere lunghe quando il compito lo richiede. Anthropic descrive il modello come più forte del suo predecessore nella programmazione, nell'uso del computer e in compiti agentici correlati.

Queste capacità indicano un insieme di utilizzi piuttosto specifico. Il riepilogo è un impiego naturale, soprattutto su input lunghi che altrimenti richiederebbero la suddivisione in blocchi. I subagenti sono un altro caso: un modello veloce che può essere chiamato molte volte in parallelo si adatta a schemi di orchestrazione in cui un modello più grande pianifica e i modelli di classe Haiku eseguono. Anche i carichi di lavoro di uso del browser e uso del computer derivano dai punti di forza dichiarati del modello, così come l'assistenza alla programmazione dove latenza e throughput contano più della massima profondità di ragionamento. Poiché immagini e file sono accettati come input, l'analisi di documenti e screenshot può essere gestita nella stessa richiesta del prompt testuale.

Per chiamarlo tramite api14, usa l'id modello anthropic/claude-haiku-5.5:batch con l'interfaccia chat completions compatibile OpenAI. I parametri di richiesta supportati sono include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools e verbosity. Sia la chiamata di strumenti sia gli output strutturati sono disponibili, il che significa che il modello può essere integrato in cicli di function calling o vincolato a emettere risposte in formato JSON. Il ragionamento può essere richiesto e il suo livello di impegno regolato, e il flag include_reasoning controlla se il contenuto di ragionamento viene restituito.

La designazione batch vale la pena di essere notata quando scegli tra questo e altri modelli sulla piattaforma. Se il tuo carico di lavoro è interattivo e richiede la latenza più bassa possibile, o se richiede il ragionamento più profondo disponibile, un modello diverso potrebbe esserti più adatto. Per lavori ad alto volume e sensibili ai costi in cui l'input è lungo e l'output è limitato, questo modello è la scelta prevista.