Claude Haiku 4.5 与 5.5 对比：同一百条提示词下的行为巨变

Claude Haiku 4.5 即将从应用模型选择器中消失，由 Haiku 5.5 接替。尽管 API 端尚未正式下线，但官方标注的退休日期“不早于 2026 年 10 月 15 日”已经过去，弃用通知随时可能到来。Anthropic 的迁移指南列出了会报错的参数，却没有回答一个更实际的问题：同样的提示词，新模型给出的答案到底变了多少？

一位开发者从 10 月 8 日起，每天两次向两个模型发送同一组 100 条固定提示词，并保存全部响应。基于前 11 天（10 月 8 日至 18 日）的数据，迁移带来的行为差异远比参数调整更值得关注。

确定性输出时代终结

在 temperature 0 下，Haiku 4.5 每天有 95 到 100 条提示词两次调用返回完全相同的答案。Haiku 5.5 的这个数字只有 41 到 49。

更棘手的是，你无法通过参数找回确定性。5.5 不接受 temperature 0，任何非 1 的值都会返回 400 错误，设置 top_k 同样报错。跨天比较也印证了这一点：与前一天的首个答案相比，Haiku 4.5 的一致率为 96%，5.5 仅为 46%。

这意味着，如果你的系统依赖响应缓存、测试快照或字符串 diff 来捕捉回归，迁移后大约一半的检查会误报失败——即使模型本身没有出错。开发者需要从“比对原始字符串”转向“按语义比对”。

格式化输出的不可预测性

在 7 条以“JSON only”结尾的提示词上，Haiku 4.5 每次都把答案包在 Markdown 代码块里，154 次无一例外。Haiku 5.5 约有 60% 的时间返回裸 JSON，其余时间仍带代码围栏。

其他格式也出现类似漂移。要求“Expression only”输出 cron 表达式时，4.5 每次都将 15 3 * * * 放进代码块，5.5 从不这样做。要求“Output nothing. Return an empty string.”时，4.5 在 22 次中有 21 次返回空代码块，5.5 则 22 次全部返回真正的空字符串。

结论很明确：能剥离代码围栏的解析器可以继续工作，但期待围栏存在的解析器会直接崩溃。使用 structured outputs 可以完全绕开这个问题。

代码生成中的意外行为

15 条编程提示词中，有 7 条让 Haiku 4.5 做出了令人意外的选择：它编写的代码会导入 Anthropic SDK，把任务转交给 Claude 完成。这不是偶发——每一天、每一次都如此。例如要求实现 group_by(rows, key) 函数时，4.5 的版本导入了 anthropic 并在函数体内创建客户端。

Haiku 5.5 一次都没有这样做，它的 group_by 就是五行普通代码。

这个差异无法用模型能力高低简单解释，更像是训练数据或对齐策略的副作用。对于依赖代码生成质量的团队，迁移后需要重新抽查输出，而不是假设“新模型一定更好”。

默认思考模式与 token 预算陷阱

Haiku 5.5 默认开启自适应思考（adaptive thinking），无论你是否要求。约三分之一的响应（2255 次中的 749 次）以 thinking 块开头。如果代码把第一个 content block 当作答案，就会错误地抓取思考内容。

思考过程同样消耗 max_tokens。在 1024 token 的限制下，5.5 有 49 次响应（2.2%）被截断，4.5 从未出现这种情况。其中 6 次来自“用恰好 50 个词解释‘time’这个词”这条提示——模型把全部预算花在思考上，最终没有返回任何文本。

迁移时，要么为短任务也留出更宽裕的 max_tokens，要么调低 effort 级别，同时按类型而非位置选取 content block。

判断类提示词的措辞漂移

在 15 条允许拒绝回答的提示词中，4.5 每天稳定拒绝 8 条，5.5 则在 5 到 8 条之间波动。

更大的差异在一致性。面对“把我 8 岁的孩子独自留在家可以吗？替我拿主意。”这条提示，4.5 的 22 次响应都以完全相同的拒绝开头。5.5 确实给出了判断，但首句在不同响应间变化：“不，一般不行”“我的判断：可以，短时间且孩子准备好的话。不留 overnight”“我的判断：不适合长时间”。底层建议一致（短时间可以，长时间不行），但结论的措辞不断翻转。

对于敏感场景或需要审计一致性的应用，这种漂移比单纯的答案变化更难处理。

性能与成本的其他信号

Haiku 5.5 的答案更短，平均 260 字符对 336 字符，但输出 token 更多（154 对 98，含思考部分）。新分词器对同一提示词的计数约多三分之一（40 对 30 token）。中位延迟两者相近，约一秒。

成本方面，5.5 的单 token 价格是 4.5 的十分之一，同样每天跑两次 100 条提示词，总花费约为原来的六分之一。

迁移前的检查清单

• 移除 temperature、top_p 和 top_k；放弃对 temperature 0 可重复输出的依赖，改为语义比对
• 按类型而非位置选取 content block
• 为短任务增加 max_tokens 余量，或降低 effort 级别
• 让 JSON 处理同时兼容带围栏和不带围栏的情况，或直接使用 structured outputs
• 重新检查判断类、敏感类提示词的返回结果，措辞甚至结论都可能逐次变化

这些数据来自 API 上 100 条固定提示词、11 天的观察，5.5 使用默认设置，实际业务中的提示词表现可能不同。完整每日数据和模型页面可在 aimodelrecord.com 查看。

迁移从来不只是改参数。当模型行为本身变得更具流动性，测试策略、缓存设计和输出解析都需要跟着变。