10月7日，Anthropic 发布 Claude Haiku 5.5。没有发布会，没有预热视频，官网安静地挂出一页，HN 上冒出一个帖子——17 分钟登顶首页，截稿时已破千分、474 层楼。这可能是近期信息密度最高的一场楼战：一张按 token 数分档的价目表、一笔白送订阅用户的 API 额度、一次文档页反复改口的计费疑云，外加中国开源模型在评论区的影子。中文圈目前大多只搬运了「降价90%」五个字，但这三层争论里的信息量，远比价格数字本身值钱。这篇文章把 474 楼里的干货全部拆给你。 ## 一、价目表上第一次出现的「分水岭」 先看这次的核心数字。Haiku 5.5 的定价： - 输入：$0.10/百万 token（提示不超过 10 万 token 时）；超过 10 万 token，$0.50 - 输出：$0.50/百万 token（同上限内）；超过 10 万 token，$2.50 - 对比上一代 Haiku 4.5 的 $1/$5：低档便宜 90%，高档便宜 50% 诡异的地方在于那条 10 万 token 的分界线。有 HN 用户翻出官方数据：在 Haiku 4.5 上，90% 的请求都落在 10 万 token 以内——也就是说，Anthropic 是拿着自家流量分布画的这条线。还有用户翻出 OpenAI 的对照：GPT-6 Luna 同样 $0.10/$0.50，但它的加价线画在 27.2 万 token。两大厂第一次在价目表上公开承认：**长上下文的成本是断崖式的，之前那种「一个数包打天下」的定价，本质是让短请求补贴长请求。** 一位评论区用户算了一笔理论账：模型的编码和解码成本都不是线性的，KV cache 的内存开销随上下文暴涨，按均价定价本来就粗糙，分档只是把真实成本结构写进了价目表。而唱反调的人也不客气：这就是对标 Luna 的「促销价」，超过 10 万 token 直接贵 5 倍，别被首页那张对比图骗了。 ## 二、纸面同价，账单可能差 50%：tokenizer 暗坑 这是整场楼战里中文圈最少被提到、但对你钱包影响最直接的一点。 有用户贴出 Anthropic 文档原话：同样的文本，Haiku 5.5 切出来的 token 比 Haiku 4.5 多约 30%。另一位用户补充：Anthropic 新 tokenizer 的 10 万 token，折算成 GPT 系的 token 大约只有 6 万到 6.5 万——也就是说「跟 Luna 同价」这句话，在文本层面并不成立，同样一段话 Haiku 要多付约一半的输入费。 评论区一位开发者贴出了自己的真实账单。他跑同一个分类任务： | 模型 | 输入 token | 输出 token | 批处理成本 | 同步成本 | |---|---|---|---|---| | Haiku 5.5 | 1189 万 | 24.0 万 | $0.21 | $0.42 | | GPT-6 Luna | 790 万 | 17.8 万 | $0.16 | $0.31 | 同一段数据，Haiku 的 token 计数比 Luna 多了整整 50%。他的结论写在表格旁边：**跨厂商比价，先比 token 计数，再比单价。**Anthropic 提供了 count_tokens 接口，写代码前先数一遍，三分钟的事。 ## 三、白送的 $200：真福利还是温柔陷阱 这次发布真正的「炸弹」其实不是模型，是藏在公告第二段的一句话：Anthropic 本周起给订阅用户送 API 额度——Max 5x 用户每月 $100，Max 20x 用户每月 $200，Team 计划最高 $500（团队共享），覆盖 Claude API、Agent SDK 和托管 Agent。 楼里一位开发者的评价是「这有点疯」。逻辑很简单：订阅价买的额度，现在可以拿去做自己的产品——给应用内嵌 AI 功能、跑批处理、喂第三方工具，都不用再单独充值 API。相当于订阅用户集体获得了一笔月发的开发基金。 但随后发生的事，比福利本身更值得看。发布当天，有用户发现 Anthropic 帮助中心那篇「在 Claude 计划中使用 Agent SDK」的页面被撤下，页面上新增的文字暗示 `claude -p`（命令行调用）今后将按 API 计费——而今年 6 月，Anthropic 就干过一次同样的事，被社区骂到回滚。评论区瞬间炸锅，有人翻旧账，有人宣布要转投 Codex。 转折来自 Anthropic 员工亲自下场：工程师 cjav_dev 连续在楼里发帖，说明 FAQ 正在更新；另一位员工 luketaylor 承认文档措辞误导，并澄清 `claude -p` 并没有被移出订阅，照旧计入订阅用量。页面改了又改，疑云散了，但一位用户的留言拿到了高赞：「有人注意到吗，这种事又来了一次。」——**福利是真福利，信任是裂开的。**这大概是这场楼战最真实的情绪底色。 ## 四、降价背后，站着中国的开源模型 这场降价的背景板，是楼里反复出现的三个名字：GLM、DeepSeek、MiMo。 - GLM 5.3 Flash：$0.15/百万 token，有用户称 z.ai 老套餐的补贴价是「全场最超值」，甚至 Mistral 官方 API 都在以 130 token/s 的速度转售 GLM； - 小米 MiMo 2.6：按 Artificial Analysis 的智能指数，Pro 版拿到 46 分，反超 Haiku 5.5 的 43 分；Flash 版 $0.10/$0.28，比 Haiku 还便宜； - 据楼里用户引述小米官方页：MiMo 2.6 两个型号的强化学习训练成本合计约 350 万美元——评论原话是「训练一个前沿模型的钱，买不起一架战斗机」； - DeepSeek v4.1 则是多位用户的「日常主力」。 风向也更明显：不止一位欧洲开发者表示，自己或身边的团队「正在把开发环境从闭源模型迁往开源权重」，理由是日常工作中差距已经不大。但反方的火力同样集中，主要两发：一是企业现实——真正的大公司采购锁死在微软、谷歌生态，「你聊过的每家公司用的都只有 Copilot」；二是口径之争——便宜模型 per-token 便宜，per-task 未必：有人贴出 Artificial Analysis 数据，Haiku 5.5 在 max 推理档下单个任务要烧 16.2 万输出 token，是 GLM-5.3 Flash 的两倍多；但立刻有人用同一份数据反驳：按「每点智能指数的任务成本」算，Haiku $0.21 仍低于 DeepSeek 的 $0.27。 两派吵不出结果，但给中国读者的信号非常清楚：**国产模型在 HN 已经不是「猎奇话题」，而是定价会议上的谈判筹码。**再叠一层 Epoch AI 的背景数据——自 2023 年以来，达到同等智能水平的价格每季度下降约 47%，一年约 13 倍——你就会明白，这次降 90% 不是谁大发善心，只是行业斜率又走完了一个季度。 ## 五、楼缝里挖出的实测宝藏 474 楼里最值钱的是一批第一时间做出来的独立实测，中文圈几乎无人搬运： - **吃豆人测试**（Pac-Man Bakeoff）：Haiku 5.5 用 19 分钟、$0.16 写出一个可玩的完整吃豆人。对比价格，「没有模型接近它的性价比」； - **Plotly 数据分析基准**：官方团队进场发帖——$0.38 做完 40 道深度数据分析题，同场 Opus 5.5 花 $15、Astra 花 $20；比 Haiku 4.5 便宜 9 倍、成绩还高两个等级。但注意：Luna 略好且只要它 30% 的钱，GPT-6.1 Sol 全对但贵 10 倍——没有全能冠军，只有场景最优解； - **鹈鹕骑自行车**（Simon Willison 的保留节目）：low 思考档会把自行车画坏，medium 以上全对；max 档跑 5 分 09 秒、花 3.38 美分，low 档只要 7 秒、0.09 美分——同一个模型，思考档位之间的成本差了 36 倍。楼里还有人发现模型的推理链直接写着「这是经典的鹈鹕测试」，训练集污染的争论又起； - **知难而退的细节**：有人拿复杂 UI 设计图测图转 HTML，Haiku 5.5 接活后看了一眼任务，直接转交给 Opus 5.5 去做——小模型第一次表现出「知道自己不行」； - **GDPval-AA v2.1 基准**：1620 分，对比 Haiku 4.5 的 735 分，一年翻了一倍多。 槽点也照单全收：有生产环境用户抱怨 5.5 出现提示词泄漏、速度反而不如 4.5；还有个实用细节——Claude Code 的子代理默认继承父模型，并不会自动帮你切到 Haiku 省钱，想省得手动指定。 ## 六、选型决策树 把楼里各方实测汇总，大致能得到这张决策图： ```mermaid flowchart TD A["接手一个AI任务"] --> B{"上下文超过10万token吗"} B -->|"不会"| C{"需要顶级智能吗"} B -->|"会"| D{"需要顶级智能吗"} C -->|"要"| E["Opus 5.5或Sol"] C -->|"不要"| F{"要极速响应吗"} D -->|"要"| G["Sonnet 5.5或Sol"] D -->|"不要"| H["Luna更划算"] F -->|"要"| I["Haiku 5.5"] F -->|"不要"| J["GLM或MiMo更省"] ``` 一句话总结楼里的共识：Haiku 5.5 的正确打开方式不是「平替旗舰」，而是**分层工作流里那个勤快的执行层**——主模型负责规划审校，Haiku 负责翻日志、初筛 bug、生成 commit message、跑分类，官方的原话就是建议把它当子代理（subagent）用。 ## 七、信息差总结 | 你以为的 | 474 楼里的真相 | |---|---| | 「降90%」就是全部新闻 | 真正的新东西是按 token 数分档定价——长上下文成本第一次被写进价目表 | | 同价 $0.10/M 就等于成本一样 | tokenizer 差 1.5 倍，同样文本 Haiku 账单贵约 50%，跨厂比价先数 token | | 订阅只能用官方客户端 | Max/Team 用户白得 $100-500/月 API 额度，可覆盖 Agent SDK 做自己的产品 | | 国产开源模型只在中文圈热 | MiMo 2.6 Pro 智能指数反超 Haiku，欧洲开发者在讨论整体迁移开源权重 | | 便宜模型就是低配凑数 | 它 19 分钟写出可玩吃豆人、$0.38 做 40 道数据分析题，是分层工作流的执行层主力 | ## 八、行动指南 1. **数一遍自己的 token**：打开 Anthropic 的 count_tokens 接口，把你最近的典型请求跑一遍。若常年低于 10 万 token，你拿的是低档价；若经常超，Luna 或开源方案更划算； 2. **Claude Code 用户**：把「翻日志、找 bug 线索、写提交信息」这类杂活显式指给 Haiku，别让子代理默认继承 Opus 烧钱； 3. **Max/Team 订阅用户**：留意本月到账的 API 额度，拿它把你搁置已久的「给工具加个 AI 功能」想法做成原型——这是零成本试错窗口； 4. **建一套比价习惯**：所有模型选型决策，用「每任务的美元成本」替代「每百万 token 单价」，Artificial Analysis 的智能指数页可以当起点； 5. **抄实测作业**：Pac-Man Bakeoff 和 Plotly 基准的测法都公开，照着搭自己的场景基准，比看任何跑分都可靠。 ## 九、延伸思考 这场楼战真正值得记下的，不是某个模型又便宜了多少，而是定价形态的变化：**价格正在从「一个数」变成「一个函数」**——输入是上下文长度、思考档位、任务复杂度，输出才是你真实要付的钱。当 Epoch AI 说智能价格一年降 13 倍时，意味着你三个月前做的成本测算已经过期。对中国技术从业者，最实用的心法只有一条：把「重审 AI 成本结构」设成每季度的固定动作——在这个斜率下，任何静态的选型结论都活不过一个季度。 ## 参考来源 1. Anthropic 官方公告：Claude Haiku 5.5 — https://www.anthropic.com/claude-haiku-5-5 2. Hacker News 讨论（1046 分 / 474 评论）— https://news.ycombinator.com/item?id=49996437 3. Pac-Man Bakeoff 社区实测 — https://jonclegg.github.io/pacman-bakeoff/ 4. Plotly DataAnalyticsBench 实测报告 — https://plotly.com/blog/claude-haiku-5-5-plotly-data-analytics-bench/ 5. Epoch AI：The Plunging Price of Thought — https://epoch.ai/publications/the-plunging-price-of-thought 6. 小米 MiMo 2.6 官方页面 — https://mimo.xiaomi.com/mimo-v2-6 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。 > 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。