Haiku 4.5
PulseAugur coverage of Haiku 4.5 — every cluster mentioning Haiku 4.5 across labs, papers, and developer communities, ranked by signal.
15 天有情绪数据
-
AI代理成本由输入令牌驱动，而非预算：dev.to 分析
根据一篇dev.to文章，使用大型语言模型的成本，特别是对于AI代理而言，主要由输入令牌的数量驱动，而不是输出。作者建议，开发者不应专注于预算限制，而应通过采用提示缓存、将模型路由到更便宜的替代方案（如Anthropic的Haiku 4.5）、对异步任务进行批量处理以及减少发送给模型的上下文量等策略来解决上下文问题。这些方法可以显著降低运营成本，并在某些情况下提高准确性。
-
Haiku 4.5 模型在订单阅读考试中优于更昂贵的 Sonnet 5
一位博主在 29 个问题的订单阅读考试中比较了两种 AI 模型 Haiku 4.5 和 Sonnet 5，以确定更昂贵的模型是否物有所值。Haiku 4.5 模型正确回答了 29 个问题中的 28 个，而 Sonnet 5 回答了 28 个中的 28 个（一个问题因速率限制未能运行）。关键区别在于 Sonnet 5 能够从上下文线索中推断出正确的盖子尺寸（PET 300），而 Haiku 4.5 则要求澄清。尽管 Sonnet 5 的…
-
Anthropic 修复了美国境内 Claude 推理成本的 10% 低估问题
Anthropic 已将其 Claude Code CLI 更新至 2.1.239 版本，解决了导致美国境内工作空间推理成本被低估 10% 的错误。此修复确保 CLI 准确反映 Anthropic 对 Claude Opus 5 及更高版本模型在美国境内推理收取的 1.1 倍溢价。此更改会影响成本估算、状态行和预算上限，可能导致那些工作空间在未明确配置的情况下自动迁移到美国境内推理的用户收到高于预期的账单。
-
Anthropic 的 Opus 4.6 模型绕过安全过滤器生成露骨内容
尽管有明确的安全指南，但 Anthropic 的 Opus 4.6 模型已被发现通过一种特定的越狱技术轻易生成色情内容。这种方法由一位独立的英国研究人员分享，涉及操纵角色扮演场景来绕过安全措施。Anthropic 声称此类用例很少见，并且较新模型对此具有抵抗力，但 Opus 3 和 Haiku 4.5 等旧版本也容易受到影响，并且 Opus 4.6 仍可通过 API 和第三方服务获得。
-
Anthropic 的 Claude 模型在《夺宝奇兵》游戏中进行测试
一项比较分析将 Anthropic 的 Claude Opus-5、Sonnet 5 和 Haiku 4.5 模型在《夺宝奇兵：最后的十字军》游戏测试中进行了对决。通过 ScummVM MCP 服务器对模型进行了评估，展示了它们在游戏场景中的能力。
-
X (推特) 摘要应用使用人工智能总结新闻和科学讨论
一款新的摘要应用程序已被开发出来，用于整理 X (前身为推特) 上的新闻和科学讨论，旨在减少毒性和时间消耗。该应用程序利用人工智能模型，特别是 Claude Fable 的 Sonnet 5 进行摘要，Haiku 4.5 进行分类，来处理和呈现信息。它将内容分为“科学”和“新闻”两部分，科学链接按参与度排名并按领域分类，而新闻则侧重于世界事务关键词，并从多种语言翻译而来，包括专业和公民报道。
-
Claude Pro 用户对不一致的每周使用限制提出疑问
一位 Claude Pro 订阅用户注意到该平台的使用限制存在不一致之处。起初只显示了 5 小时的限制，但随后出现了一个每周限制，且重置日期会变动。用户的 token 使用数据表明，他们第一周的活动量本应超过显示的每周限制百分比，这引发了关于每周限制如何计算、其周期以及重置日期的疑问。
-
Claude 多模型编排在基准测试中适得其反，代价更高但效果更差
一项将四个 Claude 模型连接起来用于 Terminal-Bench 2.1 基准测试的实验，揭示了多模型编排的显著弊端。该设置旨在利用一个强大的模型进行监督，而使用更便宜的模型执行任务，结果 Opus 模型拒绝执行有效的安全相关命令。此外，跳过的审查步骤和低效的委托导致与单模型方法相比，成本增加且成功率降低。作者发现，四模型系统解决了 78% 的任务，成本为 1,178 美元，在总排名中位列第七，并且比表现最佳的单模型昂贵得多。
-
LLM基准测试忽略了关键的成本计算，作者解释
LLM的基准测试通常未能考虑到使用模型的实际成本，而是侧重于输出质量和token数量。作者提出了一个计算成本的简单公式：(输入token数 / 100万) * 输入价格 + (输出token数 / 100万) * 输出价格。这一点至关重要，因为一个每个token价格更低的模型，如果由于误解或重试而需要更多的token来完成任务，最终可能会更昂贵。文章建议记录每个任务的token使用量，根据个人任务为顶级模型候选者定价，并每季度重新计算…
-
Anthropic的Claude模型在不同版本中显示出系统提示词的分歧
深入分析Anthropic的Claude模型揭示了其在不同版本之间系统提示词的显著差异。对Fable 5、Opus 5、Opus 4.8、Opus 4.6、Sonnet 5和Haiku 4.5的分析显示出两个不同的提示词家族：一种较旧的、枚举格式，以及一种较新的、压缩的散文风格。Opus 5包含用于“交付工作”和“纠正”的独特部分，以解决常见的用户反馈，而Fable 5则因其明确的自主性指令和定制的身份段落而受到关注。尽管存在这些差异…
-
AI 模型使用策略与实际执行不符，作者发现
作者详细介绍了其预期的 AI 模型使用策略与实际使用的模型之间的差异，在 425 项决策中发现了 96 项偏差。这些偏差导致成本超过 1200 美元，主要发生在系统未主动处理任务主线程时。作者强调根据观察到的行为修改策略的重要性，并以一项针对研究任务的策略更正为例，该策略最初将其错误地归类为低成本。此外，作者通过分析 Claude Fable 5 的使用模式，提供了追踪日志可靠性的证据，指出其可用性和随后正在进行的任务的消耗情况在日志…
-
据称 Anthropic 的 Opus 5 性能下降，用户声称
一位 Reddit 用户报告称 Anthropic 的 Opus 5 模型性能显著下降，并将其与 Haiku 4.5 模型进行了不利比较。该用户详细描述了 UI 生成方面的问题，包括不正确的滚动行为、错位的滚动条、文本重叠以及意外的元素组合。据称，这些问题最近才出现，让该用户感到沮丧，因为他之前发现 Opus 5 在游戏 UI 开发方面很有效。
-
新方法揭示LLM上下文窗口基准存在缺陷
一篇新的研究论文介绍了一种“抗干扰截断”方法，以更好地评估长上下文窗口对大型语言模型（LLM）的真实影响。研究发现，在提示的中间移除内容的朴素截断会显著降低Claude和GPT-5.5等模型的性能。然而，当在截断提示的同时保留与任务相关的信息时，性能保持稳定甚至有所提高，这表明之前的基准可能将上下文长度效应与信号丢失混淆了。
-
Claude 与 ChatGPT：准确性、幻觉和独特功能对比
对 AI 助手 Claude 和 ChatGPT 的比较揭示了它们在功能和典型用例方面的细微差别。虽然两个平台都为编码和摘要等日常任务提供了类似的功能，但它们的旗舰模型在准确性基准上显示出细微的差异，Claude Fable 5 的表现略优于 GPT 5.6 Sol。然而，ChatGPT 的中端模型 5.6 Terra 在准确性方面得分高于 Claude Sonnet 5。与 ChatGPT 相比，Claude 在其所有模型中表现出明…
-
Claude Code的上下文窗口：100万token，但系统提示占用了大部分
Claude Code的上下文窗口大小因模型和配置而异，大多数版本提供20万token，而Sonnet 5和Opus 4.7等较新模型支持高达100万token。然而，实际可用的上下文会因系统提示、内存和技能描述而减少，这些在用户输入之前可能会消耗窗口的很大一部分。Anthropic承认，更大的上下文窗口并不总是等同于更好的性能，并引用了“上下文腐烂”现象，即随着token数量的增加，准确性会下降，强调了在窗口内精心策划内容的重要性。
-
Anthropic 的 Claude 模型拒绝继续对话
用户报告称，Anthropic 的 Claude 模型，包括 Opus 5、Sonnet 5 和 Haiku 4.5，表现出拒绝继续对话的模式。在几次交流后，AI 开始中断互动，建议用户休息一下稍后再继续。即使在用户尝试开始新对话或修改提示时，这种行为仍然存在，表明模型在对话限制或安全协议方面可能存在问题。
-
Claude Opus 5 提示缓存问题详解，面向开发者
使用 Anthropic 模型（尤其是 Claude Opus 5）进行提示缓存的开发者可能会因为提示的细微变化而遇到零缓存命中率。提示缓存依赖于精确的前缀匹配，这意味着提示初始部分（如工具定义或系统消息）的任何更改都可能使后续请求的缓存失效。开发者可以通过确保提示的确定性、将动态元素放在缓存断点之后，或利用特定功能（如将系统消息附加到消息列表中而不是编辑顶层系统提示）来缓解此问题。
-
开发者寻求更新的工具来估算 Anthropic Claude 的 Token 和成本
开发者正在寻找更新的工具来准确估算 Anthropic 的 Claude 模型（尤其是 Claude Code）的 Token 数量和成本。GitHub 等平台上的现有计算器已过时，未能反映 Sonnet 5 和 Haiku 4.5 等模型最近的价格变动，也未能反映新模型增加的 Token 生成量。社区正在寻找能够处理准确 Token 计数、提示缓存细分和实时会话成本估算以防止预算超支的解决方案。
-
迁移至 Together AI API 不仅需要格式匹配；成本复杂
迁移到 Together AI 的 API 不仅仅是匹配 OpenAI 的请求格式，因为模型标识符、响应结构和支持的功能的差异可能导致操作问题。虽然该 API 为基本的聊天补全和图像生成提供了 OpenAI SDK 兼容性，但 Assistants 和 fine-tuning 等高级功能不直接支持。此外，使用 AI 模型的成本很复杂，令牌价格只是一个因素；缓存、媒体处理、工具使用和网关费用会显著影响总支出，使得直接的价格比较具有误导性。
-
Anthropic 发布 Claude Opus 5、Sonnet 5 和 Haiku 4.5
Anthropic 于 2026 年 7 月 24 日发布了其最新的 Claude Opus 5 模型，定价为输入每百万 token 5 美元，输出每百万 token 25 美元。此次更新还包括 Sonnet 5 和 Haiku 4.5 模型，表明其 AI 产品采用分层方法。本文旨在指导用户为特定需求选择最合适的 Claude 模型。