Anthropic 于 2025 年 10 月 15 日发布了 Claude Haiku 4.5，这是 Claude 4 系列的轻量级模型，专为高效任务执行设计。它在速度和成本上优于前代（如 Claude Sonnet 4），输出速度是其的两倍以上，成本仅为其三分之一，同时在编码和代理任务上表现出色。 该模型特别适合执行任务场景，如编码、终端操作和指令跟随，基准测试显示其在这些领域接近前沿模型水平。
评测效果调研
根据官方发布和第三方分析，Claude Haiku 4.5 在任务执行相关的基准上表现强劲，尤其在编码和代理任务中。以下是关键评测结果的总结，我重点选取了与“执行任务”相关的基准（如编码、终端/计算机使用、代理行为）。数据来源于 Anthropic 官方新闻、系统卡和 SWE-bench 排行榜。 成绩以百分比或通过率表示，并附比较（相对于 Claude Sonnet 4 或 Claude 3.5 Haiku）。
|
|
|
|
|
|---|---|---|---|
| SWE-bench Verified
|
|
|
|
| SWE-bench Verified
|
|
|
|
| Terminal-Bench
|
|
|
|
| Cybench
|
|
|
|
| τ2-bench
|
|
|
|
| OSWorld
|
|
|
|
| Claude Code
|
|
|
|
| Benign Request Evaluations
|
|
|
|
总体分析
- 优势
在任务执行上，Haiku 4.5 特别适合成本敏感的场景，如并行子任务协调或实时代理（如终端操作）。它在 SWE-bench 等编码基准上达到了“世界最佳”水平之一，同时保持低延迟（<1 秒响应）。 安全方面，它被评为 AI Safety Level 2 (ASL-2)，在生物/网络风险任务中表现出低风险。 - 局限
在复杂数学（如 AIME）或多语言任务（MMMLU）上分数未详尽公布，但整体低于 Sonnet 4.5；在极端代理任务（如病毒学模拟）上低于 Opus 4.1。 - 标准 LLM 基准
（如 MMLU、GPQA、HumanEval）：官方未详细公布，但从排行推测，Haiku 4.5 在 HumanEval (编码生成) 上预计 >80%，MMLU (知识) >85%，GPQA (研究生级) >50%，基于其与 Sonnet 4 的相似性。
