Konec leta 2026 bo za Anthropic zelo razgiban. Podjetje je pred nekaj dnevi skoraj hkrati predstavilo dva člana družine Claude 5.5, različici Sonnet in Haiku, vendar je to zanj trenutno manj pomemben izziv, saj se pripravlja na IPO. Po poročanju medijev naj bi se novembra na borzo podal veliki igralec sektorja umetne inteligence.
Pod okriljem Clauda sta poleg modela Claude Opus 5.5, namenjenega poglobljenemu analitičnemu sklepanju in zapletenemu odločanju, odslej na voljo še Claude Sonnet 5.5, namenjen vsakodnevnemu razvojnemu in pisarniškemu delu, ter Claude Haiku 5.5, namenjen širokim množicam, ki deluje hitro in z nizkimi stroški. Novi modeli prinašajo izrazit preboj pri učinkovitosti in programerskih zmožnostih ter kot močni izzivalci stopajo v areno proti modelom GPT-6.
Sonnet 5.5 v primerjavi s Sonnetom 5 kaže izboljšave pri zmogljivosti, kodiranju, delu, ki temelji na znanju, dolgoročnih agentskih nalogah, razumevanju slik, sodelovanju, hitrosti in učinkovitosti. Haiku 5.5 je najboljši za opravljanje kratkih in ponavljajočih se nalog, kot so povzetki, strnitve, poizvedbe po zbirkah podatkov in klasifikacijske naloge. Poleg tega lahko Claude Opus 5.5 in Claude Sonnet 5.5 delujeta kot agenta za opravljanje programerskih nalog.
Claude Haiku 5.5 je prvi model razreda Haiku, ki je že dovolj močan, da ga je mogoče fino prilagajati. To uporabnikom omogoča, da model glede na svoje potrebe uravnotežijo med najnižjimi stroški in višjo ravnjo znanja.
Pri Sonnetu 5.5 ni več novost, da lahko deluje na različnih ravneh, tako da se vedno nastavi na najprimernejšo raven sklepanja. Po več testih Sonnet 5.5 max že dosega podobno zmogljivost kot Opus 5.5, v hitrejših in učinkovitejših nastavitvah pa prekaša Sonnet 5, pri čemer so lahko stroški tudi desetkrat nižji.
Claude Sonnet 5.5 je tako dobro uspel, da se v skrajnem primeru lahko zgodi celo, da se izkaže za boljšega od modela Opus 5.5, pri tem pa deluje s polovico stroškov.
V testu Terminal-Bench 4.0 je Sonnet 5.5 na primer dosegel 70,6 %, večji model pa 66,4 %. V okviru GDPval-AA 2.1 za Opusom zaostaja, a le za las, saj je dosegel 1844 točk proti 1846, GPT-6 Sol pa je v tem zmožen le 1487 točk. V testu FrontierCode 1.1, ki preverja agentske programerske zmožnosti, Sonnet 5.5 glede na nastavitev dosega 46,2 do 52,1 %, Opus 5.5 54,4 %, GPT-6 Sol pa lahko pokaže 49,3-odstotno uspešnost.
Po meritvah, ki jih je objavil Anthropic, Claude Haiku 5.5 v testu GDPval-AA 2.1, osredotočenem na delo, ki temelji na znanju, doseže 1620 točk, s čimer prehiti celo model GPT-6 Sol podjetja OpenAI, čeprav je njegov pravi tekmec GPT-6 Luna, ki je tu dosegel le 1437 točk. V priljubljenem in zahtevnem testu Humanity's Last Exam z uporabo dodatkov doseže 57,4 %, s čimer že prehiti Sonnet 5.5 brez orodij (56,9 %), ki je lahko do 20-krat dražji. Podobno je tudi pri testu FrontierCode 1.1, kjer z rezultatom 46,4 % že doseže raven zadržanega Sonneta 5.5, GPT-6 Luno (42,4 %) pa samozavestno prehiti.
Anthropic je želel poudariti, da Claude 5.5 z novimi modeli zagotavlja izjemno dobro razširljiv sistem, na primer na področju programiranja. Za podjetja to pomeni paket, s katerim lahko stroške držijo veliko bolj na vajetih kot doslej, ob boljši zmogljivosti in natančnejšem delu. Naloge, zadane modelu Claude Opus 5.5, lahko rešujejo agenti, ki uporabljajo model Sonnet 5.5, pod nadzorom najmočnejšega modela, Sonnet 5.5 pa lahko za manjše podnaloge ustvari podagente, ki tečejo na Haiku 5.5. CursorBench in OSWorld sta pri vseh članih serije izmerila izjemno zmogljivost.
Na področju kibernetske varnosti ima Haiku 5.5 strožje zaščitne ukrepe kot Haiku 4.5, pri biološki varnosti pa je že na enaki ravni kot modela Sonnet in Opus. Anthropic je pri krepitvi varnosti sodeloval z vrhunskimi strokovnjaki v panogi. Avtomatizirano preverjanje vedenja podjetja zajema več kot 1800 scenarijev, Sonnet 5.5 pa pomeni resen korak naprej glede na Sonnet 5 skoraj v vsem.
Novi modeli so uporabnikom takoj postali dostopni na vseh platformah. Pri Claude Haiku 5.5 se stroški za pozive pod 100.000 žetonov in za večje naloge obravnavajo ločeno. Dokler naloga ostane pod 100.000 žetoni, je mogoče obdelavo 1 milijona žetonov v celotnem pogovoru opraviti že za 0,1 dolarja, ustvarjanje enake količine vsebine pa stane 0,5 dolarja. Če se pojavi daljši poziv, se ti stroški povečajo na petkratnik, torej na 0,5 oziroma 2,5 dolarja.
Kar zadeva Claude Sonnet 5.5, je z modelom z boljšimi zmožnostmi obdelavo 1 milijona žetonov mogoče opraviti za 2 dolarja, ustvarjanje 1 milijona žetonov pa stane 10 dolarjev. To je torej bistveno dražje, vendar je treba upoštevati tudi, da je po zmogljivosti že zelo blizu modelu Claude Opus 5.5, medtem ko je treba na vseh področjih plačati dvakrat toliko, tako da pri učinkovitosti ni dvoma, da je novejši model boljša izbira. V pripravi je tudi Claude Fable 5.5, a Anthropic na njem še dela, in pri obravnavanih rešitvah bo bistveno dražji.
