Anthropic: Claude Haiku 5.5 (batch)

Claude Haiku 5.5 (batch) är en textmodell från Anthropic, som erbjuds via api14 under modell-id anthropic/claude-haiku-5.5:batch. Den är efterträdaren till Claude Haiku 4.5, och Anthropic positionerar den som en liten, snabb modell avsedd för högvolymarbete där kostnaden är viktig. Batchvarianten är den version du anropar via api14:s OpenAI-kompatibla endpoint.

Modellen tar text, bilder och filer som indata, och den returnerar text. Dess kontextfönster är 1 000 000 tokens, vilket är tillräckligt stort för att rymma långa dokument, utökade konversationshistoriker eller omfattande kodbaser i en enda begäran. Maximal utdata är 128 000 tokens, så svaren kan bli långa när uppgiften kräver det. Anthropic beskriver modellen som starkare än sin föregångare inom kodning, computer use och relaterade agentiska uppgifter.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. Sammanfattning passar naturligt, särskilt av långa indata som annars skulle behöva delas upp. Subagenter är ett annat: en snabb modell som kan anropas många gånger parallellt passar orkestreringsmönster där en större modell planerar och modeller i Haiku-klassen utför. Arbetsbelastningar för browser use och computer use följer också av modellens angivna styrkor, liksom kodassistans där latens och genomströmning är viktigare än maximal resonemangsdjup. Eftersom bilder och filer accepteras som indata kan dokument- och skärmbildsanalys hanteras i samma begäran som textprompten.

För att anropa den via api14 använder du modell-id anthropic/claude-haiku-5.5:batch med det OpenAI-kompatibla gränssnittet för chat completions. De parametrar som stöds i begäran är include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools och verbosity. Både tool calling och strukturerade utdata är tillgängliga, vilket innebär att modellen kan kopplas in i funktionsanropsloopar eller begränsas till att skicka JSON-formade svar. Resonemang kan begäras och dess ansträngningsnivå justeras, och flaggan include_reasoning styr huruvida resonemangsinnehåll returneras.

Beteckningen batch är värd att notera när du väljer mellan denna och andra modeller på plattformen. Om din arbetsbelastning är interaktiv och behöver lägsta möjliga latens, eller om den kräver det djupaste resonemang som finns, kan en annan modell passa dig bättre. För högvolymarbete där kostnaden är viktig och indata är lång medan utdata är begränsad, är denna modell det avsedda valet.