Claude Haiku 5.5 實測：分類、抽取、摘要三個任務，哪些可以從 Sonnet 降級

我拿三個每天都在做的小任務，分別用 Claude Haiku 5.5 和 Sonnet 5.5 各跑 3 次：30 則客服訊息分類、10 封訂單信抽欄位、一份備忘錄摘要成 3 點。

結論先講。分類和資料抽取，Haiku 可以直接換，品質差距在我的樣本裡小到可以忽略。摘要要看用途：Haiku 比較守字數，Sonnet 比較不漏重點。Haiku 有兩次把原文的意思講得比備忘錄更肯定。

牌價差 20 倍，我實際付的差距是 4 到 10 倍。下面是數字、輸出和我的判斷，最後附一個你可以用自己資料重跑的做法。

#官方價格：牌價差 20 倍

Anthropic 在 2026 年 10 月 7 日發表 Haiku 5.5，模型 ID 是 claude-haiku-5-5。官方公告頁（https://www.anthropic.com/claude-haiku-5-5）的價格如下，單位是每百萬 token，這是提示在 100k 以內的價格：

提示超過 100k 時，Haiku 5.5 的輸入是 $0.50、輸出是 $2.50，所以標題上的 $0.10 與 $0.50 是短提示的價格。本文所有測試的提示都只有兩千多個 token，都落在短提示這一檔。

官方對用途的說法也值得先看一遍。它列出的適合場景有摘要、壓縮、資料庫查詢和分類這類高量、成本敏感的工作，也提到子代理、即時客服和瀏覽器操作；限制是「範圍明確的任務最適合」，複雜的代理式寫程式仍建議用 Sonnet 5.5 或 Opus 5.5。公告頁的 Terminal-Bench 4.0 數字是 Haiku 5.5 39.2%、Sonnet 5.5 70.6%，OSWorld 2.1（離線子集）是 72.4% 對 83.9%。這幾個數字我是透過會做摘要的抓取工具讀到的，表格欄位的順序是工具推斷的，引用前請對一下原頁。

這些數字告訴你的是：Sonnet 在公告頁列出的這幾項都比較強，Haiku 便宜 20 倍。但「這三個日常任務會不會剛好落在差距小的那一邊」，官方表格回答不了，所以我自己跑。

#我怎麼測

條件寫清楚，因為每一個結論都要打折看：

• 工具：Claude Code 的 headless 模式，指令是 claude -p --model haiku（或 sonnet），系統提示只有 You are Claude, a helpful AI assistant.，不給工具、不載入任何專案設定，在空資料夾執行
• 實際跑到的模型：輸出的 modelUsage 顯示 claude-haiku-5-5 與 claude-sonnet-5-5
• 時間：2026 年 10 月 28 日（UTC）
• 次數：每個任務、每個模型各 3 次，共 18 次。樣本很小，只能描述這幾次看到的現象，沒有統計意義
• 資料：三份測試資料都是我自己編的虛構資料，答案在跑之前就決定好了，原始檔在 runs/data.py，每一次的完整輸入、原始輸出、花費都存在 runs/results/

用自編資料的好處是我知道標準答案，壞處是它比真實資料乾淨，也反映我自己的出題偏好。後面講抽取的時候你會看到，我的標準答案本身就有爭議。

#任務一：30 則客服訊息分類，Haiku 29、28、30 分，Sonnet 三次 30 分

提示很短：給六個類別（登入、帳務、功能建議、錯誤回報、退款、其他），30 則訊息，要求只輸出 JSON 陣列。30 則裡有 24 則一看就知道類別，6 則是我故意設計的灰色地帶，例如「登入後按下付款頁面就空白，沒辦法更新信用卡，所以這個月應該會扣款失敗」。我的標準答案是看主要訴求：這則在說頁面壞掉，所以標「錯誤回報」。

結果：

Haiku 錯的有兩處。第 25 則（付款頁空白那則）有兩次被標成「帳務」，這是灰色地帶，標「帳務」也講得通，只是和我的答案不同。第 12 則「你們有提供學生優惠嗎」有一次被標成「帳務」，這則沒有爭議，標準答案是「其他」，算 Haiku 真的錯一次。

Sonnet 三次完全一致，連灰色地帶都和我的判斷一樣。這不代表 Sonnet 比較「對」，因為灰色地帶的答案是我定的。

我的判斷：如果你的分類是「進來的訊息要分給哪一組」，錯分的代價是人工轉單，一百則裡錯一兩則可以接受，Haiku 夠用。如果分類結果會直接觸發自動退款、停權這類動作，灰色地帶那一類就不該只靠一次模型判斷，不管用哪個模型都一樣，這時候讓模型多輸出一個「信心低」的標記，再把這些丟給人看，我猜可能比換貴的模型有效，但這個標記我這次沒有測，你可以試試。

#任務二：10 封信抽 6 個欄位，兩邊都是 58／60

這個任務我出得比較刁。10 封信混了中英文、民國年、DD/MM/YYYY 與 MM/DD、「三千五百元整」這種中文數字、折扣後才是應付金額、缺欄位要填 null。要抽的欄位是訂單編號、日期（轉成 YYYY-MM-DD）、金額、幣別、收件人、是否急件。

結果：Haiku 三次是 57、58、58 分（滿分 60），Sonnet 三次都是 58 分。

扣分的地方幾乎一模一樣，都在「是否急件」。第 8 封信只寫了商品小計、折扣和應付金額，沒提急不急，我當時的標準答案是 false；第 10 封信只說「金額與收件人都還沒定」，我也標 false。兩個模型每一次都填 null。回頭看，我的 prompt 寫的是「信裡沒有的欄位填 null，不要猜」，模型照做是對的，是我的標準答案出錯。Haiku 第一次還有一個多扣的：第 2 封英文信只寫了「Standard delivery」，它填了 null，我的答案是 false，同樣是灰色地帶。

所以更準確的講法是：在我設計的刁鑽格式上（民國年、日期順序、中文數字、折扣、缺欄位），兩個模型每一格都抽對。我最擔心的是 Haiku 會在 12/11/2026 這種日期上猜錯，結果它三次都照信裡標明的 DD/MM/YYYY 轉成 2026-11-12。民國 115 年 8 月 12 日也三次都轉對成 2026-08-12。

我的判斷：資料抽取是這次最適合降級的任務。格式規定得越清楚，兩個模型越沒差別。如果你要換，prompt 裡一定要寫明「沒有就填 null」和日期格式的順序，這兩句應該是準確度的關鍵，但我沒有拿掉重跑做對照，不能確定。

再補一個我沒做、但會影響你怎麼用的實驗：我沒有把「沒有就填 null，不要猜」這句拿掉重跑，所以我不知道少了這句時兩個模型會不會開始補值。我只能說，這句寫了之後，兩邊在六個欄位、十封信上都守規矩。如果你的資料欄位更多、格式更亂，建議先拿 Haiku 試跑，錯的地方通常能靠補一句規則修好，補完再決定要不要升級。

#任務三：備忘錄摘要，差別出現了

這個任務我用一份 915 字的虛構備忘錄（雲端備份服務改版評估），要求摘要成 3 個要點，全部合計不超過 150 字，只能寫備忘錄裡有的內容，不要加判斷。備忘錄裡我埋了 10 個關鍵事實，例如還原 200GB 要 6 小時 40 分、決議先對 200 家客戶試行 8 週、預算上限 NT$600,000、10 月 31 日前交報告。

字數（去掉空白和換行後的字元數，含標點）：

Haiku 三次都守住 150 字，Sonnet 三次都超過，最多超過 81 字。要求「不超過 150 字」是明確的限制，Sonnet 三次都沒守，這點我意外。我不確定原因，只能說這三次是這樣。

關鍵事實命中（10 項，接受「60 萬」「NT$600,000」這類寫法）：Haiku 是 8、9、8 項，Sonnet 三次都是 10 項。但 Sonnet 是靠超字數換來的，Haiku 在 150 字內放得下的就少。

比命中數更值得看的是內容有沒有走樣。備忘錄原文寫的是：「客服部門統計，其中有 41% 的流失客戶在離開前曾聯絡客服，抱怨最多的是還原速度太慢」。

• Haiku 第 1 次：「41% 流失客戶曾聯絡客服，最常抱怨還原慢」，和原文一致
• Haiku 第 2 次：「41%流失客戶曾抱怨還原太慢」
• Haiku 第 3 次：「41%流失客戶曾抱怨還原慢」

第 2、3 次把「聯絡客服的人裡，最常抱怨的是還原」壓成「41% 的流失客戶抱怨還原慢」，意思被推得更肯定了。備忘錄的客服主管後面還特別提醒「沒有資料顯示還原速度就是流失的唯一原因，價格也被提過」，而這兩次的 Haiku 摘要都沒有提到這個但書。

Sonnet 也不是沒有瑕疵。第 2 次寫「主因之一是還原速度慢」，備忘錄裡沒有「主因」這個判斷；不過同一次它有把客服主管的但書帶進去。第 1 次它引用了產品經理估計的 4.5% 流失率，並加註「未經財務驗證」，這個加註是原文有的。

我的判斷：摘要要不要降級，看這份摘要之後有沒有人會回頭對原文。如果是自己看的每日摘要、群組裡的訊息預覽，Haiku 夠用，而且更守格式。如果摘要會被拿去做決策、轉貼給沒看過原文的人，這種「意思被推得更肯定」的錯很難被發現，用 Sonnet 比較安心，或者在 prompt 裡加一條「每個要點後面附原文的那句話」，讓人可以對得回去。我沒有測這一條在 Haiku 上有沒有用。

#實付差多少：4 到 10 倍，不是 20 倍

下面是 Claude Code 回報的 total_cost_usd（下文的輸出 token 取自它回報的 modelUsage，含思考 token），3 次平均。這個數字包含 Claude Code 自己固定帶的約 2,100 token 系統提示，所以比只算我的輸入還貴一點：

倍數明顯小於牌價的 20 倍。原因在輸出 token：Haiku 5.5 想得比較多。分類任務中，Haiku 三次的輸出（含思考）是 1,310、1,701、1,634 個 token，Sonnet 是 425、329、308。摘要任務的差距更大，Haiku 是 3,604、2,035、2,603，Sonnet 只有 308、279、272。Haiku 的單價低很多，但用掉的 token 是 Sonnet 的好幾倍，兩邊一抵銷，實付差距就縮小了。公告頁也有提到 Haiku 5.5 比上一代略多用 token，這次實測看到的差距比「略多」大，但那是和 Sonnet 比，不是和 Haiku 4.5 比，我沒有測 Haiku 4.5。

另外兩個要提醒的地方。第一，這些花費有雜訊：Sonnet 的分類第一次是 $0.01415，後兩次是 $0.0084，我猜是 prompt cache 寫入造成的（沒有查證），所以倍數只看量級。第二，我沒有測 Haiku 5.5 的 effort 設定（Low 到 Max）。如果它在摘要任務上的思考 token 可以靠調低 effort 壓下來，實付差距會更接近牌價，這是值得你自己試的方向。

用這次的數字估一下規模：分類一則訊息，Haiku 約 $0.000048，Sonnet 約 $0.000345（30 則的批次花費除以 30）。每月 10 萬則的話，是約 $4.8 對 $34.5。這是從 3 次平均直接放大的粗估，真實流量下的快取和長度都會不同。

#哪些工作可以降級，哪些先別動

綜合這 18 次，我自己的做法是這樣：

可以直接換 Haiku 的：

• 規則寫得清楚的資料抽取：這次兩邊一樣好，換了之後單次花費約為十分之一（實測 10.4 倍）
• 分類，而且錯分的代價是人工轉單而不是自動動作：這次 Haiku 的失誤只出現在灰色地帶和一次明顯的錯分
• 給自己看的摘要、預覽：格式守得比 Sonnet 好

換之前要先加防護的：

• 會被轉貼的摘要：要求附原文依據，或抽查
• 分類結果會觸發動作：加一個低信心標記，丟給人

先別換的：

• 寫程式、多步驟的代理工作：官方自己的 Terminal-Bench 4.0 數字就是 39.2% 對 70.6%，而且公告頁明講複雜的代理式寫程式仍建議 Sonnet 5.5 或 Opus 5.5。我這次沒有測寫程式，不能用我的實測替它背書
• 需要判斷「原文沒說什麼」的工作（這是我的懷疑：Haiku 摘要有兩次走樣，Sonnet 第 2 次也有「主因」這類走樣，兩邊都不完美）：例如查核文件裡有沒有漏講的條款

#先 Haiku、不確定再升級：用我的數字算一次

這個分流做法我沒有實測，但可以用這次量到的花費算它划不划算。假設做法是每筆資料先交給 Haiku，Haiku 判斷自己信心低的那一部分再重跑一次 Sonnet。分類任務 Haiku 每批 $0.00144、Sonnet 每批 $0.01034，如果有比例 p 的資料要升級，平均每批花費是 $0.00144 加上 p 乘以 $0.01034。p 等於 20% 的時候約 $0.0035，只有全用 Sonnet 的三分之一；p 到 80% 才會跟全用 Sonnet 差不多。

這裡有兩個前提我沒有驗證。第一，Haiku 真的能標出「自己沒把握」的那幾筆，我這次沒有要求它輸出信心，不知道它標得準不準。第二，升級的那一批要重送整份資料，如果每筆資料很長，重送的成本要另外算。所以我會先做的是：拿你自己的 30 筆樣本，請 Haiku 在每筆輸出一個 confidence: low|high，看低信心的那幾筆是不是剛好就是它答錯的，再來決定要不要走分流。

#用你自己的資料重跑，大約 15 分鐘

我的資料是虛構的，你的不是，所以我最建議你拿自己的樣本重跑一次：

1. 從實際的工作裡拿 30 筆，並自己先寫好標準答案。灰色地帶的案例要放進去，那才是兩個模型會分歧的地方
2. 把你現在的 prompt 原封不動丟給兩個模型，各跑 3 次。只跑一次看不出穩不穩
3. 用腳本或肉眼對答案，同時記下花費。如果你用 Claude Code，加上 --output-format json，輸出裡就有 total_cost_usd 和 modelUsage
4. 錯誤分成兩種記：「明顯錯」和「灰色地帶」。前者多的任務不要降級
5. 錯誤集中在灰色地帶的話，先試著把判斷規則寫進 prompt（我的「沒有就填 null」就是這樣），再比一次

指令範本（在空資料夾執行，避免讀到專案設定）：

claude -p --model haiku \
  --system-prompt "You are Claude, a helpful AI assistant." \
  --tools "" --setting-sources "" \
  --output-format json < prompt.txt

把 haiku 換成 sonnet 就是對照組。

#這次實測沒回答的事

• 樣本只有三個任務、每個跑 3 次，資料是虛構的，比真實資料乾淨
• 我沒有測 effort 設定、長提示（超過 100k 的價格檔）、中文以外的語言
• 我沒有測「先用 Haiku，不確定再升級到 Sonnet」的分流做法，只是建議你試
• 我沒有和 Haiku 4.5 比較，所以「比上一代進步多少」只能引用官方數字
• 官方 benchmark 表格是透過摘要工具讀到的，欄位順序待對照原頁
• 摘要字數我用去掉空白的字元數，不同的計算方式（例如不算標點）會讓 Sonnet 看起來沒超那麼多，但三次仍然都比 150 字多

#常見問題

Haiku 5.5 和 Sonnet 5.5 的價格差多少？ 官方牌價（提示 100k 以內）是輸入 $0.10 對 $2.00、輸出 $0.50 對 $10.00，差 20 倍。我的三個任務實付差距是 4.4 到 10.4 倍，因為 Haiku 用掉的輸出 token 比較多。

哪些任務適合換成 Haiku 5.5？ 這次實測裡，規則明確的資料抽取兩邊都是 58／60，分類 Haiku 是 28 到 30 分對 Sonnet 的 30 分。摘要則是 Haiku 比較守字數、Sonnet 比較不漏重點，需要看用途。

Haiku 5.5 可以拿來寫程式嗎？ 這次沒測。官方公告頁的 Terminal-Bench 4.0 是 39.2% 對 70.6%，並建議複雜的代理式寫程式用 Sonnet 5.5 或 Opus 5.5。