Kraj 2026. bit će za Anthropic vrlo buran. Tvrtka je ovih dana gotovo istodobno pokrenula dva člana obitelji Claude 5.5, inačice Sonnet i Haiku, no to je sada manje važan izazov pred njom, jer se upravo priprema za IPO. Prema vijestima, teškaš AI sektora u studenom bi mogao izaći na burzu.
Pod okriljem Claudea od sada je uz Claudea Opusa 5.5, namijenjenog dubokom analitičkom zaključivanju i složenom donošenju odluka, dostupan i Claude Sonnet 5.5, namijenjen svakodnevnom razvojnom i uredskom radu, kao i Claude Haiku 5.5, namijenjen širokim masama, koji radi brzo i uz niske troškove. Novi modeli donose dojmljiv iskorak u učinkovitosti i programerskim sposobnostima te kao snažni izazivači staju u ring protiv modela GPT-6.
Sonnet 5.5 u odnosu na Sonnet 5 pokazuje poboljšanje u performansama, kodiranju, radu temeljenom na znanju, dugoročnim agentskim zadacima, interpretaciji slika, suradnji, brzini i učinkovitosti. Haiku 5.5 najbolji je za obavljanje kratkih i ponavljajućih zadataka, kao što su sažeci, kompresije, upiti u bazu podataka i zadaci klasifikacije. Uz to, ispod Claudea Opusa 5.5 i Claudea Sonneta 5.5 može djelovati kao agent za izvršavanje zadataka kodiranja.
Claude Haiku 5.5 prvi je model klase Haiku koji je već dovoljno snažan da se može fino podešavati. To korisnicima omogućuje da prema svojim potrebama model uravnoteže između najnižih troškova i više razine znanja.
Kod Sonneta 5.5 više nije novost da može raditi na različitim razinama, pa se uvijek podešava na najoptimalniju razinu zaključivanja. Prema nekoliko testova, Sonnet 5.5 max već pruža performanse slične Opusu 5.5, a u bržim i učinkovitijim postavkama nadmašuje Sonnet 5, dok mu trošak može biti i desetina.
Claude Sonnet 5.5 toliko je dobro pogođen da se u ekstremnom slučaju može dogoditi i da se pokaže boljim od Opusa 5.5, a pritom radi uz upola manji trošak.
U Terminal-Benchu 4.0, primjerice, Sonnet 5.5 uspio je postići 70,6%, dok je veći model ostvario 66,4%. U GDPval-AA 2.1 već zaostaje za Opusom, ali tek za dlaku, jer je postigao 1844 boda naspram 1846, dok GPT-6 Sol u tome postiže samo 1487 bodova. U FrontierCodeu 1.1, koji ocjenjuje agentske programerske sposobnosti, Sonnet 5.5 ovisno o postavkama ostvaruje 46,2 do 52,1%, Opus 5.5 postiže 54,4%, a GPT-6 Sol može pokazati stopu uspjeha od 49,3%.
Prema mjerenjima koja je podijelio Anthropic, Claude Haiku 5.5 u GDPval-AA 2.1, usmjerenom na rad temeljen na znanju, može pokazati 1620 bodova, čime je ispred i OpenAI-evog modela GPT-6 Sol, iako mu je pravi protivnik GPT-6 Luna, koji je u tome postigao samo 1437 bodova. U popularnom i zahtjevnom testu Humanity's Last Exam uz korištenje dodataka uspijeva ostvariti 57,4%, čime već prestiže Sonnet 5.5 koji radi bez alata (56,9%), iako potonji može biti i do 20 puta skuplji. Slično je i u testu FrontierCode 1.1, gdje svojih 46,4% već dostiže razinu suzdržanog Sonneta 5.5, a GPT-6 Lunu (42,4%) uvjerljivo prestiže.
Anthropic je nastojao istaknuti da Claude 5.5 s novim modelima pruža nevjerojatno dobro skalabilan sustav, primjerice u programiranju. Zahvaljujući njima, poduzećima to znači paket kojim se troškovi mogu držati pod kontrolom puno bolje nego dosad, uz postizanje boljih performansi i preciznijeg rada. Izazove zadane Claudeu Opusu 5.5 mogu rješavati agenti koji koriste model Sonnet 5.5 pod nadzorom najsnažnijeg modela, a Sonnet 5.5 za manje podzadatke može stvarati podagente koji rade na Haikuu 5.5. CursorBench i OSWorld izmjerili su izvanredne performanse kod svakog člana serije.
Što se tiče kibernetičke sigurnosti, Haiku 5.5 ima strože zaštitne mjere od Haikua 4.5, a po biološkim sigurnosnim mjerama već je na istoj razini kao modeli Sonnet i Opus. Anthropic je s najboljim stručnjacima u industriji radio na jačanju sigurnosti. Automatizirano ispitivanje ponašanja tvrtke obuhvaća više od 1800 scenarija, a Sonnet 5.5 u gotovo svemu znači ozbiljan napredak u odnosu na model Sonnet 5.
Novi modeli odmah su postali dostupni korisnicima na svim platformama. Što se tiče troškova, Claude Haiku 5.5 zasebno tretira promptove ispod 100.000 tokena i veće zadatke. Dok zadatak ostaje ispod 100.000 tokena, obrada 1 milijuna tokena u jednom cijelom razgovoru može se obaviti već za 0,1 dolar, a izrada istoga sadržaja stoji 0,5 dolara. Ako se pak pojavi dulji prompt, ti se troškovi petostruko povećavaju, dakle na 0,5 i 2,5 dolara.
Što se tiče Claudea Sonneta 5.5, s boljim modelom obrada 1 milijuna tokena može se riješiti za 2 dolara, a jednako toliko stoji i stvaranje 1 milijuna tokena, 10 dolara. To je dakle ipak znatno skuplje, no treba vidjeti i da je po performansama već vrlo blizu Claudeu Opusu 5.5, a pritom se na svim frontama ipak plaća dvostruko manje, pa u učinkovitosti nije pitanje da je noviji model bolji izbor. Priprema se i Claude Fable 5.5, ali Anthropic još radi na njemu, a on će biti znatno skuplji od spomenutih rješenja.
