Haiku 5.5 实测对决 DeepSeek V4.1 Flash 与 GPT-6 Luna

国庆假期刚过，Anthropic 便推出了 Haiku 5.5，并把它定位成旗下"最快、最便宜"的模型。半个月内，大中小三档模型一次性集齐，节奏之快被不少人解读为冲刺 IPO 的信号。官方跑分显示，Haiku 5.5 在所列测评项目上全线领先 GPT-6 Luna。但纸面数据和真实体验往往有差距，本文结合 B 站 UP 主的实测，从中文写作、视觉推理和智能体编程三个维度，看看 Haiku 5.5、DeepSeek V4.1 Flash 与 GPT-6 Luna 这三款主打"又快又便宜"的轻量模型，谁才是这个价位真正能打的那一个。

阶梯定价：对标 Luna，却埋了隐藏成本

Haiku 5.5 的定价策略直接瞄准 GPT-6 Luna。在 10 万 Tokens 以内，它与 Luna 同价，并略低于 DeepSeek^广告 的空闲价。看上去极具竞争力，但问题藏在后面：输入一旦超过 10 万 Tokens，Haiku 的四项价格会直接跳涨到 5 倍，大任务场景下甚至比 DeepSeek 的高峰价还贵。

这种阶梯式定价意味着用户在处理长文档、长上下文任务时必须格外小心，否则很容易在不知不觉中触发高价区间。实测者直言这种模式"让人用起来束手束脚"，削弱了"最便宜"这个卖点的说服力。对于真正跑大任务的开发者来说，这是一个需要提前算清楚的隐性成本。

阶梯式 Token 定价是当前大模型 API 市场的常见策略，本质上是以"低门槛吸引试用、高用量覆盖成本"的价格歧视模型。Token 是模型处理文本的基本计量单位，中文语境下大致 1 个汉字对应 1.5–2 个 Token，10 万 Token 约等于 5–6 万汉字，相当于一篇中等长度的行业报告或数十轮长对话的上下文。对于日常轻量查询，这个阈值鲜少触达；但在 RAG（检索增强生成）、长文档分析、多轮智能体任务等场景下，单次调用轻松突破这条线。因此，开发者在选型时不能只看"起步价"，需要按实际业务的平均上下文长度和调用频次，折算出加权单价，才能做出真正划算的决策。

中文写作：Haiku 5.5 本轮领先，但不及头部模型

第一轮测试沿用了此前测评头部模型时的题目——创作长篇小说《修真奶茶铺》的第一章。三款轻量模型使用同一道题、同一套评分标准进行横向比较。

按照统一的 5 分制标准，Haiku 5.5 是这一轮中文写作中表现最好的。不过与上一期的 GPT-6 Astra 相比，测评者仍觉得"差一点"，说明轻量模型在长篇叙事的连贯性与文采上，与旗舰级模型还有可见的距离。

值得肯定的是，测评者把三款模型的小说原文、完整提示词和评分标准都整理进了文档，鼓励读者按同一套标准自行打分。这种可复现的测评方式，比单纯公布一个分数更有参考价值。

视觉推理：15 张票据的硬核考验

第二轮用了一个贴近真实办公痛点的任务：识别 15 张来自不同地区、年份和格式的票据，其中部分已经模糊破损，甚至字段被涂抹或缺失。模型需要先识别票面信息，再结合上下文推断残缺内容，同时又不能"过分脑补"引入幻觉。测评者表示，人工完成这项工作至少要 15 分钟。

结果颇具看点：GPT-6 Luna 错了三张，而 Haiku 5.5 和 DeepSeek V4.1 Flash（视频中昵称"小鲸鱼"）全部答对。速度上，DeepSeek 比 Haiku 还快了一倍。

最难的是第 10 张票据——金额和名目均为手写，票面还未标注货币单位，模型必须先判断票据来自哪个地区，再推断对应货币。Luna 除了数字之外几乎没能判读出其他信息，而 Haiku 和 DeepSeek 的表现"出乎意料"。

这类任务的现实意义很强：面对泛黄、破损、信息残缺的纸质旧资料，可以先拍照或扫描，让模型提取关键信息并归纳分类，疑点处标注出来再由人工核对。方法和工具选对，原本一周的整理量有机会压缩到一天完成。

票据识别属于文档视觉理解（Document Visual Understanding）任务，要求模型同时具备 OCR（光学字符识别）、版面分析与跨字段语义推理三种能力。与识别清晰印刷体不同，破损票据还涉及图像去噪、残缺信息补全和地域常识推断——例如根据票面印章、纸张风格或地名判断货币体系。这类任务对模型的幻觉控制要求极高：过于保守会漏识，过度推断又会捏造信息。当前主流多模态大模型普遍将视觉编码器与语言模型联合训练，使模型在"看到图像"的同时能调用语言侧的世界知识进行补全，这正是 Haiku 5.5 和 DeepSeek 在第 10 张手写票据上能推断出货币单位的底层原因。

智能体编程：3D 纪念碑考验工程能力

第三轮进入智能体编码环节，题目是制作一个 3D 人民英雄纪念碑：镜头要连续 360 度环绕，光影还需模拟全天 24 小时的变化。这是一道综合考验建模、渲染与代码工程能力的难题。

GPT-6 Luna 用时 7 分 15 秒，是唯一把碑身题词做出来的模型，但方向出错——把竖向排版做成了横向。碑身其他细节不足，日出日落光照还原也欠佳。不过从代码结构看，拆分规范，后续测试和维护更方便。

Haiku 5.5 用时 8 分 23 秒，视觉效果最差，除日出日落光照更贴近现实外，整个碑身"几乎没法看"。其代码特点是参数集中编写，调整修改较为方便。

DeepSeek V4.1 Flash 的整体效果无疑最好，纪念碑底座的浮雕都能分辨出一二，代码上做了功能封装和性能优化。但它"居然花了一个小时"，而且是在晚上 9 点后的低谷时段完成——这个速度被测评者吐槽"太不够中国速度"。此外，它在工程拆分和测试环节仍有不足。

智能体编程（Agentic Coding）与普通代码补全的核心区别在于：模型需要自主分解任务、决定工具调用顺序、处理中间步骤的错误反馈，并最终交付可运行的完整工程，而非仅仅填写单一函数体。3D 渲染场景尤为复杂——模型通常会选择 Three.js 或 WebGL 等浏览器端渲染库，需要同时处理几何体构建、材质贴图、动态光照和摄像机动画等模块，任何一处参数出错都会影响最终视觉效果。测试中 DeepSeek 做出了浮雕细节并进行了功能封装，说明其在代码抽象和模块化方面更为成熟，但长达一小时的生成时间也暴露出推理吞吐量的瓶颈，在时延敏感的生产环境中会成为明显制约。

三轮综合：速度与质量的权衡

三轮比下来，结论相对清晰：GPT-6 Luna 在任务结果上输得较惨；DeepSeek V4.1 Flash 一如既往地能打，视觉和代码都很亮眼，但三轮加起来跑了一个多小时，速度拖了后腿；Haiku 5.5 在中文写作上本轮领先，视觉推理表现出色，但在编程视觉效果上明显落后。

换句话说，这三款模型没有一个"全能冠军"。追求结果质量可以看 DeepSeek，但要有等待的心理准备；在意速度和写作可以考虑 Haiku 5.5，不过要注意超过 10 万 Tokens 后的价格跳涨。测评者也呼吁 DeepSeek 团队多投入硬件，把推理速度提上来，真正跑出"中国速度"。

对于普通用户和开发者而言，与其纠结哪家"最强"，不如结合具体任务——写作、票据整理还是 3D 建模——去匹配最适合的模型。把方法和工具选对，才是提升效率的关键。