Hacker News Digest

Claude Haiku 5.5 — это новая быстрая и дешёвая модель от Anthropic, предназначенная для задач с высоким объёмом и чувствительностью к стоимости: суммаризация, классификация, запросы к базе данных и работа суб-агентов в коде. Она в среднем на 75% дешевле, чем Haiku 4.5, и является самой быстрой моделью компании на сегодняшний день, что делает её идеальной для живой поддержки клиентов и использования в браузерах. Haiku 5.5 также впервые в линейке Haiku поддерживает регулируемую настройку усилий — пользователи могут выбирать между оптимизацией по стоимости или по интеллекту.

В тестах Haiku 5.5 показывает сильные результаты: например, в OSWorld 2.1 (offline subset) достигает 72.4% точности, что значительно выше, чем у Haiku 4.5 (15.7%), и близко к Sonnet 5.5 (83.9%). В задачах мультидисциплинарного рассуждения (Humanity’s Last Exam) модель набирает 45.9% без инструментов и 57.4% с ними. В агентном кодировании (Terminal-Bench 4.0) Haiku 5.5 решает 39.2% задач — существенный рост по сравнению с 0.0% у Haiku 4.5. Одновременно с запуском Haiku 5.5 Anthropic снизил цену на чтение кэша у Sonnet 5.5 на 50%, что делает её на ~20% дешевле в агентных задачах, и ввёл ежемесячные API-кредиты для подписчиков Max и Team (до $500), чтобы стимулировать создание новых агентов и приложений на Claude Platform. Обновлены также Python и TypeScript SDK с поддержкой computer и browser use в бета-версии.

Claude Haiku 5.5 быстрее и в 9 раз дешевле Haiku 4.5, показав рост на два уровня в DataAnalyticsBench. Модель является самой быстрой у Anthropic (131 токен/сек на OpenRouter, задержка до 2 сек) и демонстрирует лучшее соотношение качества, скорости и цены в RAG-системах с технической документацией. Она превосходит GPT-6 Luna в компьютерном использовании и агентном кодировании, а по общей производительности сопоставима с Qwen-3.8 и Sonnet 5.5. При объеме до 100K токенов цена Haiku 5.5 совпадает с GPT-6 Luna ($0.10/MTok input, $0.50/MTok output), однако из-за того, что токенизация Haiku 5.5 потребляет в 1.5 раза больше токенов, реальная выгода снижается. После порога в 100K стоимость Haiku 5.5 растет до $2.50/MTok, что делает Luna выгоднее для длинных запросов (особенно свыше 272K). Модель позиционируется как суб-агентная: она эффективна в простых операциях и автоматизации, но уступает Opus 5.5 в генерации сложных UI (например, LCARS) и глубоком статистическом анализе. Отмечены возможные регрессии: ошибки в простых задачах (подсчет букв в слове «diminished»), утечки промптов и случаи, когда модель работает хуже Haiku 4.5. Для бизнес-пользователей ценность модели повышают API-кредиты для Max и Team-подписчиков ($100–$500). Haiku 5.5 становится альтернативой GLM и DeepSeek, возвращая доверие пользователей после неудач версии 4.5. Рекомендации: — Haiku 5.5: для максимальной скорости, низкого бюджета и малых объемов данных. — GPT-6 Luna: для запросов свыше 100K токенов. — Sonnet или Opus 5.5: для сложных рассуждений и создания UI.

SWE-2 — это новая модель для программирования, которая достигает 50.0% на FrontierCode 1.1 Main, почти сравниваясь с Fable 5.1 (50.9%), но при этом в 64% дешевле. Она построена на базе Kimi K3 (2.8T параметров) и использует улучшенное обучение с подкреплением, где все уровни усилий обучаются за один запуск, что сдвигает всю границу стоимость–производительность вперёд. По сравнению с предшественником SWE-1.7, SWE-2 набирает больше баллов на всех ключевых тестах: на DeepSWE 1.1 — 73.0% против 37.7%, на Terminal-Bench 2.1 — 92.8% против 81.5%, а на FrontierCode 1.1 — 50.0% против 42.0%. При этом среднее число шагов решения задачи снизилось на 58%, а стоимость — на 81% в режиме «medium».

Ключевые инновации включают линейные штрафы за стоимость в процессе обучения, выровненные по локальному наклону границы Парето, что позволяет сохранять её форму, улучшая эффективность. Также использованы взвешенные по длине базовые награды для стабильности обучения, улучшенный сервис rollout с NVFP4/FP8 ядрами и квантованием, что снижает расход памяти несмотря на почти утроенное число параметров по сравнению с SWE-1.7. Данные для обучения увеличены втрое, добавлены overlays для следования инструкциям, и построен самовоспроизводящийся цикл, где предыдущие чекпоинты SWE-2 укрепляют верификаторы. Модель уже доступна в Devin Desktop, CLI, Web и Fusion.

Сомнения в ценности SWE‐2: бенчмарки (особенно Terminal Bench 2.1) считаются устаревшими и «забенчмаренными», а резкий спад с 92.8% до 27.3% между TB2.1 и TB4 вызывает вопросы об обобщаемости модели. Улучшения SWE‐2, по мнению многих, связаны не с качеством кода, а с сокращением токенов — при этом стоимость задачи выше, чем у альтернатив, из-за большего объёма генерируемых токенов. Модель требует проприетарной платформы Devin, что создаёт барьер для внедрения. Конкурирующие открытые модели, например DeepSeek 4.1 Flash, требуют 160–250 ГБ ОЗУ и непрактичны для большинства. SWE‐1.5/1.6 показывали умеренную полезность для мелких задач, SWE‐1.7 — нет; есть надежда на SWE‐2, но ранние продукты Cognition получали негативные отзывы, хотя некоторые отмечают улучшения в Devin. Споры о новизне: пост-тренировка Kimi K3 с RL не делает её принципиально новой моделью, но другие видят в этом доказательство достижения уровня Fable 5.1. Скептики считают, что RL не может компенсировать разницу в параметрах (2.8T против 10T). Заявленная конкуренция с GPT-Astra оспаривается — SWE‐2 не умеет работать с CAD и другими задачами компьютерного взаимодействия. Пользователи требуют открытые веса, не желая зависеть от закрытых провайдеров. Все согласны: когда бенчмарк становится целью оптимизации, он теряет ценность — ожидается появление TB5.

Claude Fable 5.1 и Claude Mythos 5.1 — это одна и та же модель, но с разными уровнями защиты. Fable 5.1 доступен всем, Mythos 5.1 — только через доверенные программы доступа, ориентированные на кибербезопасность и биологию. Fable 5.1 дешевле на 25% для типовых задач и до 45% для сложных агентных задач благодаря снижению стоимости чтения кэша на 75% (до $0,25 за миллион токенов). Базовая цена остаётся: $10 за миллион входных и $50 за миллион выходных токенов. Введена система Enterprise Frontier Safeguards (EFS), позволяющая клиентам хранить данные в своей инфраструктуре для полной конфиденциальности — пока она не доступна, можно использовать нулевое хранение данных. Улучшена точность защиты: в кибербезопасности ложные срабатывания снижены на 60%, а модель теперь может находить уязвимости (но не создавать exploits). В биологии запущена программа доступа к Mythos 5.1 совместно с правительством США для учёных. Fable 5.1 показывает значительный рост производительности: в тестах Terminal-Bench-Science 0.1 набрал 52,6% против 24,7% у Fable 5, в Agentic coding (Terminal-Bench 4.0) — 55,8% против 42,0%, а в знаниях (GDPval-AA v2) — 1853 балла против 1723. В кибербезопасности Millennium обнаружил причину редкого сбоя, которую инженеры не могли найти годами. Доступ к Mythos 5.1 пока ограничен американскими организациями, но планируется расширение через партнёрство с правительством США. Записаться на киберзащиту можно через CVP-программу Anthropic.

Обсуждение ставит под сомнение реальную пользу Fable 5.1: улучшения в бенчмарках минимальны (Terminal-Bench 4.0: +3.5%, GDPval-AA v2: +1.5%), при этом модель на 82% дороже при всего 16% приросте интеллекта по сравнению с Opus 4.8. Пользователи жалуются на жёсткие и непредсказуемые лимиты — 5-часовой лимит срабатывает даже на Max 20x, а одна ошибка рендеринга может сжечь 90% месячного бюджета. Fable 5.1 ведёт себя медленно и неуверенно, часами дорабатывая мелочи. Anthropic удалила трассировки мышления, заменив отладочную функцию маркетингом. Часть пользователей отменила подписки из-за сбоев Opus и низкого качества ответов. Реальный прогресс теперь идёт из Китая (DeepSeek V4 Flash), а не от Anthropic. Модель ограничивает использование даже на собственном железе, блокируя простые термины вроде «firmware». Изменения — патчи против утечки рассуждений через манипуляции с фиктивными инструментами: модель стала менее прозрачной, но безопаснее. При этом снижение цены кэш-чтения с $1 до $0.25 за миллион токенов заметно удешевляет долгие агентные задачи при кэшировании до 95%. Стиль письма стал менее шаблонным. Модель способна улучшать сложный код и находить скрытые причины сбоев, которые инженеры не могли решить годами. Совет: явно указывать «не переписывай весь файл», так как модель склонна к полным переписываниям вместо целевых правок.