Claude Haiku 5.5 est l’édition compacte d’Anthropic pour les tâches à grand volume sensibles à la latence. Ses principaux usages comprennent la classification, le routage, l’extraction d’informations, les résumés, le compactage de conversations et le travail ciblé de sous-agents. Il accepte du texte et des images et génère du texte. Une consigne utile lui donne une question délimitée et un résultat explicite : une catégorie, un ensemble défini de champs, un court résumé ou les éléments pertinents pour une autre partie d’une tâche plus large. Gardez les identifiants des sources avec le résultat pour qu’une application puisse relier les informations extraites à leur contenu d’origine.
Anthropic positionne cette édition pour l’assistance client en direct, l’utilisation d’un navigateur et de courtes sous-tâches de programmation, ainsi que pour l’analyse répétitive. Elle peut compléter Claude Sonnet 5.5 ou Claude Opus 5.5 dans un workflow où un modèle plus grand traite un projet ambitieux et Haiku une recherche délimitée ou un résumé. Pour une tâche d’assistance, fournissez la question et les références autorisées, puis précisez le ton de la réponse et ce qui doit être renvoyé. Pour une sous-tâche de programmation, identifiez les fichiers ou extraits pertinents et la question exacte, au lieu de confier un projet ouvert sans condition d’achèvement.
La fenêtre de contexte documentée est d’un million de tokens, avec jusqu’à 128 000 tokens de sortie en génération ordinaire. Les tokens de raisonnement comptent dans la limite de génération : le résultat doit donc laisser de la place pour le raisonnement et le texte visible. Sa date limite de connaissances fiables est juin 2026 ; les informations ultérieures nécessitent des éléments fournis ou un outil de recherche. Anthropic documente séparément une fonctionnalité bêta réservée aux lots qui peut porter la sortie à 300 000 tokens pour cette édition. Cette limite plus élevée nécessite la fonctionnalité de sortie étendue du développeur et reste distincte de la limite ordinaire. Un lot asynchrone traite les requêtes indépendamment, ce qui est utile pour des ensembles de documents ou d’enregistrements dont les résultats sont attendus après traitement plutôt qu’immédiatement.
Le raisonnement adaptatif est activé par défaut, et effort est le principal réglage de sa profondeur. Les niveaux sont low, medium, high, xhigh et max, avec medium par défaut. Anthropic recommande medium pour la plupart des tâches, high pour les tâches plus prolongées ou le suivi strict des instructions et low pour les demandes courtes et simples. Le raisonnement peut être désactivé aux niveaux low, medium ou high ; sa désactivation à xhigh ou max est rejetée. Un prompt demandant une réponse directe ne remplace pas ce réglage. Les valeurs manuelles de budget_tokens de Haiku 4.5 ne se transposent pas à cette édition, et temperature, top_p et top_k doivent être omis dans l’interface documentée.
Haiku 5.5 utilise le tokenizer plus récent introduit dans des générations Claude antérieures, et Anthropic estime qu’un même texte peut utiliser environ 30 % de tokens supplémentaires par rapport à Haiku 4.5, selon son contenu. Il conserve aussi les blocs de raisonnement des tours antérieurs de l’assistant, de sorte que la taille de la conversation peut augmenter au-delà du seul changement de tokenizer. La longueur minimale d’un prompt pouvant être mis en cache est de 512 tokens. Gardez les échanges antérieurs inchangés lorsque vous conservez le raisonnement et placez les nouvelles instructions dans le dernier échange. Modifier effort au niveau supérieur invalide le cache des messages de la conversation ; le développeur documente une fonctionnalité bêta distincte pour modifier effort au sein de conversations adaptatives. Aucune de ces capacités ne prouve qu’une requête particulière a été servie depuis le cache.
Pour la recherche d’informations, le guide de prompting du modèle recommande de fournir la date actuelle avec l’outil de recherche et de garder stables les définitions initiales du système et des outils. Donnez une date actualisée dans le dernier échange si la conversation se poursuit un jour ultérieur. Précisez ce qui doit être trouvé et conservez les sources renvoyées avant de demander une conclusion. Par exemple, une tâche illustrative peut demander le comportement documenté d’une version logicielle précise, puis une courte explication fondée sur le passage récupéré. L’application fournit l’outil de recherche et renvoie ses résultats réels ; la recherche proposée par le modèle ne prouve pas qu’elle a eu lieu.
Lorsque des sorties JSON structurées sont associées à des outils, le guide documente une interaction particulière : avec le raisonnement désactivé, Haiku peut omettre un appel d’outil nécessaire. Anthropic recommande le raisonnement adaptatif pour ces requêtes, ou la séparation entre l’exigence de JSON final et l’étape d’outil. Définissez les champs de sortie et précisez que la réponse finale suit les résultats des outils. Une consigne d’extraction de données peut nommer les champs requis et la représentation des valeurs manquantes, tandis qu’une consigne de recherche peut d’abord demander les éléments nécessaires pour les renseigner. Lisez les blocs de réponse selon leur type, car la réponse n’est pas nécessairement le premier bloc et le texte de raisonnement est omis par défaut.
Pour les prompts d’agents plus longs, Anthropic note que le niveau low peut entraîner un arrêt prématuré, l’omission d’une recherche ou l’absence d’une vérification. Son guide recommande des instructions explicites d’achèvement et de vraies vérifications des modifications de code avant de les annoncer comme terminées. Préparez le résultat attendu et les éléments qui le démontreraient : les passages sélectionnés pour un rapport, le comportement modifié pour une proposition de code ou les champs extraits d’un document. Le guide distingue aussi un message de l’utilisateur en cours de tâche d’une sortie d’outil : les nouvelles instructions de l’utilisateur appartiennent à un tour utilisateur, tandis que les éléments renvoyés par les outils restent séparés.
Cette édition a ses propres protections et peut opposer un refus pour des catégories comme les usages cybernétiques nuisibles, les usages biologiques nuisibles, le développement de modèles concurrents ou d’autres usages interdits. Le développeur ne documente pas de mécanisme de repli côté serveur pour Haiku 5.5. Son guide note également que le niveau xhigh peut parfois terminer une réponse sur plusieurs échanges sans texte de réponse visible, et que du texte ressemblant à du raisonnement peut apparaître plus souvent à low ou lorsque le raisonnement est désactivé. Ce sont des comportements précis à prendre en compte lorsqu’un workflow exige un résultat visible et structuré. Pour une extraction ou un résumé ordinaire, utilisez une source ciblée, une sortie définie et le niveau d’effort adapté à la tâche.
", "aboutText": "Claude Haiku 5.5 est l’édition compacte d’Anthropic pour les tâches à grand volume sensibles à la latence. Ses principaux usages comprennent la classification, le routage, l’extraction d’informations, les résumés, le compactage de conversations et le travail ciblé de sous-agents. Il accepte du texte et des images et génère du texte. Une consigne utile lui donne une question délimitée et un résultat explicite : une catégorie, un ensemble défini de champs, un court résumé ou les éléments pertinents pour une autre partie d’une tâche plus large. Gardez les identifiants des sources avec le résultat pour qu’une application puisse relier les informations extraites à leur contenu d’origine.\n\nAnthropic positionne cette édition pour l’assistance client en direct, l’utilisation d’un navigateur et de courtes sous-tâches de programmation, ainsi que pour l’analyse répétitive. Elle peut compléter Claude Sonnet 5.5 ou Claude Opus 5.5 dans un workflow où un modèle plus grand traite un projet ambitieux et Haiku une recherche délimitée ou un résumé. Pour une tâche d’assistance, fournissez la question et les références autorisées, puis précisez le ton de la réponse et ce qui doit être renvoyé. Pour une sous-tâche de programmation, identifiez les fichiers ou extraits pertinents et la question exacte, au lieu de confier un projet ouvert sans condition d’achèvement.\n\nLa fenêtre de contexte documentée est d’un million de tokens, avec jusqu’à 128 000 tokens de sortie en génération ordinaire. Les tokens de raisonnement comptent dans la limite de génération : le résultat doit donc laisser de la place pour le raisonnement et le texte visible. Sa date limite de connaissances fiables est juin 2026 ; les informations ultérieures nécessitent des éléments fournis ou un outil de recherche. Anthropic documente séparément une fonctionnalité bêta réservée aux lots qui peut porter la sortie à 300 000 tokens pour cette édition. Cette limite plus élevée nécessite la fonctionnalité de sortie étendue du développeur et reste distincte de la limite ordinaire. Un lot asynchrone traite les requêtes indépendamment, ce qui est utile pour des ensembles de documents ou d’enregistrements dont les résultats sont attendus après traitement plutôt qu’immédiatement.\n\nLe raisonnement adaptatif est activé par défaut, et effort est le principal réglage de sa profondeur. Les niveaux sont low, medium, high, xhigh et max, avec medium par défaut. Anthropic recommande medium pour la plupart des tâches, high pour les tâches plus prolongées ou le suivi strict des instructions et low pour les demandes courtes et simples. Le raisonnement peut être désactivé aux niveaux low, medium ou high ; sa désactivation à xhigh ou max est rejetée. Un prompt demandant une réponse directe ne remplace pas ce réglage. Les valeurs manuelles de budget_tokens de Haiku 4.5 ne se transposent pas à cette édition, et temperature, top_p et top_k doivent être omis dans l’interface documentée.\n\nHaiku 5.5 utilise le tokenizer plus récent introduit dans des générations Claude antérieures, et Anthropic estime qu’un même texte peut utiliser environ 30 % de tokens supplémentaires par rapport à Haiku 4.5, selon son contenu. Il conserve aussi les blocs de raisonnement des tours antérieurs de l’assistant, de sorte que la taille de la conversation peut augmenter au-delà du seul changement de tokenizer. La longueur minimale d’un prompt pouvant être mis en cache est de 512 tokens. Gardez les échanges antérieurs inchangés lorsque vous conservez le raisonnement et placez les nouvelles instructions dans le dernier échange. Modifier effort au niveau supérieur invalide le cache des messages de la conversation ; le développeur documente une fonctionnalité bêta distincte pour modifier effort au sein de conversations adaptatives. Aucune de ces capacités ne prouve qu’une requête particulière a été servie depuis le cache.\n\nPour la recherche d’informations, le guide de prompting du modèle recommande de fournir la date actuelle avec l’outil de recherche et de garder stables les définitions initiales du système et des outils. Donnez une date actualisée dans le dernier échange si la conversation se poursuit un jour ultérieur. Précisez ce qui doit être trouvé et conservez les sources renvoyées avant de demander une conclusion. Par exemple, une tâche illustrative peut demander le comportement documenté d’une version logicielle précise, puis une courte explication fondée sur le passage récupéré. L’application fournit l’outil de recherche et renvoie ses résultats réels ; la recherche proposée par le modèle ne prouve pas qu’elle a eu lieu.\n\nLorsque des sorties JSON structurées sont associées à des outils, le guide documente une interaction particulière : avec le raisonnement désactivé, Haiku peut omettre un appel d’outil nécessaire. Anthropic recommande le raisonnement adaptatif pour ces requêtes, ou la séparation entre l’exigence de JSON final et l’étape d’outil. Définissez les champs de sortie et précisez que la réponse finale suit les résultats des outils. Une consigne d’extraction de données peut nommer les champs requis et la représentation des valeurs manquantes, tandis qu’une consigne de recherche peut d’abord demander les éléments nécessaires pour les renseigner. Lisez les blocs de réponse selon leur type, car la réponse n’est pas nécessairement le premier bloc et le texte de raisonnement est omis par défaut.\n\nPour les prompts d’agents plus longs, Anthropic note que le niveau low peut entraîner un arrêt prématuré, l’omission d’une recherche ou l’absence d’une vérification. Son guide recommande des instructions explicites d’achèvement et de vraies vérifications des modifications de code avant de les annoncer comme terminées. Préparez le résultat attendu et les éléments qui le démontreraient : les passages sélectionnés pour un rapport, le comportement modifié pour une proposition de code ou les champs extraits d’un document. Le guide distingue aussi un message de l’utilisateur en cours de tâche d’une sortie d’outil : les nouvelles instructions de l’utilisateur appartiennent à un tour utilisateur, tandis que les éléments renvoyés par les outils restent séparés.\n\nCette édition a ses propres protections et peut opposer un refus pour des catégories comme les usages cybernétiques nuisibles, les usages biologiques nuisibles, le développement de modèles concurrents ou d’autres usages interdits. Le développeur ne documente pas de mécanisme de repli côté serveur pour Haiku 5.5. Son guide note également que le niveau xhigh peut parfois terminer une réponse sur plusieurs échanges sans texte de réponse visible, et que du texte ressemblant à du raisonnement peut apparaître plus souvent à low ou lorsque le raisonnement est désactivé. Ce sont des comportements précis à prendre en compte lorsqu’un workflow exige un résultat visible et structuré. Pour une extraction ou un résumé ordinaire, utilisez une source ciblée, une sortie définie et le niveau d’effort adapté à la tâche.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
Extract a support handoff\n\nExtract a handoff from this ticket, using only its text: T-184: 'I changed my billing email yesterday. Receipts still go to the old address. My login works. Please resend March and April receipts.' Return ticket ID, requested actions, working function and missing information. Use 'not stated' for absent details.Four labeled fields retaining T-184, the receipt request, the working login and explicitly missing details.Every extracted value must trace to the ticket; do not invent either email address.anthropic/claude-haiku-5.5Claude Haiku 5.5 est le modèle compact d’Anthropic pour la classification, l’extraction, les résumés, le routage et les tâches ciblées d’agents. Il associe la compréhension du texte et des images à un raisonnement adaptatif et vise les tâches répétitives qui demandent une réponse rapide.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Haiku 5.5 est l’édition compacte d’Anthropic pour les tâches à grand volume sensibles à la latence. Ses principaux usages comprennent la classification, le routage, l’extraction d’informations, les résumés, le compactage de conversations et le travail ciblé de sous-agents. Il accepte du texte et des images et génère du texte. Une consigne utile lui donne une question délimitée et un résultat explicite : une catégorie, un ensemble défini de champs, un court résumé ou les éléments pertinents pour une autre partie d’une tâche plus large. Gardez les identifiants des sources avec le résultat pour qu’une application puisse relier les informations extraites à leur contenu d’origine.
Anthropic positionne cette édition pour l’assistance client en direct, l’utilisation d’un navigateur et de courtes sous-tâches de programmation, ainsi que pour l’analyse répétitive. Elle peut compléter Claude Sonnet 5.5 ou Claude Opus 5.5 dans un workflow où un modèle plus grand traite un projet ambitieux et Haiku une recherche délimitée ou un résumé. Pour une tâche d’assistance, fournissez la question et les références autorisées, puis précisez le ton de la réponse et ce qui doit être renvoyé. Pour une sous-tâche de programmation, identifiez les fichiers ou extraits pertinents et la question exacte, au lieu de confier un projet ouvert sans condition d’achèvement.
La fenêtre de contexte documentée est d’un million de tokens, avec jusqu’à 128 000 tokens de sortie en génération ordinaire. Les tokens de raisonnement comptent dans la limite de génération : le résultat doit donc laisser de la place pour le raisonnement et le texte visible. Sa date limite de connaissances fiables est juin 2026 ; les informations ultérieures nécessitent des éléments fournis ou un outil de recherche. Anthropic documente séparément une fonctionnalité bêta réservée aux lots qui peut porter la sortie à 300 000 tokens pour cette édition. Cette limite plus élevée nécessite la fonctionnalité de sortie étendue du développeur et reste distincte de la limite ordinaire. Un lot asynchrone traite les requêtes indépendamment, ce qui est utile pour des ensembles de documents ou d’enregistrements dont les résultats sont attendus après traitement plutôt qu’immédiatement.
Le raisonnement adaptatif est activé par défaut, et effort est le principal réglage de sa profondeur. Les niveaux sont low, medium, high, xhigh et max, avec medium par défaut. Anthropic recommande medium pour la plupart des tâches, high pour les tâches plus prolongées ou le suivi strict des instructions et low pour les demandes courtes et simples. Le raisonnement peut être désactivé aux niveaux low, medium ou high ; sa désactivation à xhigh ou max est rejetée. Un prompt demandant une réponse directe ne remplace pas ce réglage. Les valeurs manuelles de budget_tokens de Haiku 4.5 ne se transposent pas à cette édition, et temperature, top_p et top_k doivent être omis dans l’interface documentée.
Haiku 5.5 utilise le tokenizer plus récent introduit dans des générations Claude antérieures, et Anthropic estime qu’un même texte peut utiliser environ 30 % de tokens supplémentaires par rapport à Haiku 4.5, selon son contenu. Il conserve aussi les blocs de raisonnement des tours antérieurs de l’assistant, de sorte que la taille de la conversation peut augmenter au-delà du seul changement de tokenizer. La longueur minimale d’un prompt pouvant être mis en cache est de 512 tokens. Gardez les échanges antérieurs inchangés lorsque vous conservez le raisonnement et placez les nouvelles instructions dans le dernier échange. Modifier effort au niveau supérieur invalide le cache des messages de la conversation ; le développeur documente une fonctionnalité bêta distincte pour modifier effort au sein de conversations adaptatives. Aucune de ces capacités ne prouve qu’une requête particulière a été servie depuis le cache.
Pour la recherche d’informations, le guide de prompting du modèle recommande de fournir la date actuelle avec l’outil de recherche et de garder stables les définitions initiales du système et des outils. Donnez une date actualisée dans le dernier échange si la conversation se poursuit un jour ultérieur. Précisez ce qui doit être trouvé et conservez les sources renvoyées avant de demander une conclusion. Par exemple, une tâche illustrative peut demander le comportement documenté d’une version logicielle précise, puis une courte explication fondée sur le passage récupéré. L’application fournit l’outil de recherche et renvoie ses résultats réels ; la recherche proposée par le modèle ne prouve pas qu’elle a eu lieu.
Lorsque des sorties JSON structurées sont associées à des outils, le guide documente une interaction particulière : avec le raisonnement désactivé, Haiku peut omettre un appel d’outil nécessaire. Anthropic recommande le raisonnement adaptatif pour ces requêtes, ou la séparation entre l’exigence de JSON final et l’étape d’outil. Définissez les champs de sortie et précisez que la réponse finale suit les résultats des outils. Une consigne d’extraction de données peut nommer les champs requis et la représentation des valeurs manquantes, tandis qu’une consigne de recherche peut d’abord demander les éléments nécessaires pour les renseigner. Lisez les blocs de réponse selon leur type, car la réponse n’est pas nécessairement le premier bloc et le texte de raisonnement est omis par défaut.
Pour les prompts d’agents plus longs, Anthropic note que le niveau low peut entraîner un arrêt prématuré, l’omission d’une recherche ou l’absence d’une vérification. Son guide recommande des instructions explicites d’achèvement et de vraies vérifications des modifications de code avant de les annoncer comme terminées. Préparez le résultat attendu et les éléments qui le démontreraient : les passages sélectionnés pour un rapport, le comportement modifié pour une proposition de code ou les champs extraits d’un document. Le guide distingue aussi un message de l’utilisateur en cours de tâche d’une sortie d’outil : les nouvelles instructions de l’utilisateur appartiennent à un tour utilisateur, tandis que les éléments renvoyés par les outils restent séparés.
Cette édition a ses propres protections et peut opposer un refus pour des catégories comme les usages cybernétiques nuisibles, les usages biologiques nuisibles, le développement de modèles concurrents ou d’autres usages interdits. Le développeur ne documente pas de mécanisme de repli côté serveur pour Haiku 5.5. Son guide note également que le niveau xhigh peut parfois terminer une réponse sur plusieurs échanges sans texte de réponse visible, et que du texte ressemblant à du raisonnement peut apparaître plus souvent à low ou lorsque le raisonnement est désactivé. Ce sont des comportements précis à prendre en compte lorsqu’un workflow exige un résultat visible et structuré. Pour une extraction ou un résumé ordinaire, utilisez une source ciblée, une sortie définie et le niveau d’effort adapté à la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites anthropic/claude-haiku-5.5 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse100'000 | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de100'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.002 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthropic/claude-haiku-5.5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='anthropic/claude-haiku-5.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='anthropic/claude-haiku-5.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Utilisez les chemins de méthode indiqués ci-dessus.
anthropic/claude-haiku-5.5Claude Haiku 5.5 est le modèle compact d’Anthropic pour la classification, l’extraction, les résumés, le routage et les tâches ciblées d’agents. Il associe la compréhension du texte et des images à un raisonnement adaptatif et vise les tâches répétitives qui demandent une réponse rapide.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Haiku 5.5 est l’édition compacte d’Anthropic pour les tâches à grand volume sensibles à la latence. Ses principaux usages comprennent la classification, le routage, l’extraction d’informations, les résumés, le compactage de conversations et le travail ciblé de sous-agents. Il accepte du texte et des images et génère du texte. Une consigne utile lui donne une question délimitée et un résultat explicite : une catégorie, un ensemble défini de champs, un court résumé ou les éléments pertinents pour une autre partie d’une tâche plus large. Gardez les identifiants des sources avec le résultat pour qu’une application puisse relier les informations extraites à leur contenu d’origine.
Anthropic positionne cette édition pour l’assistance client en direct, l’utilisation d’un navigateur et de courtes sous-tâches de programmation, ainsi que pour l’analyse répétitive. Elle peut compléter Claude Sonnet 5.5 ou Claude Opus 5.5 dans un workflow où un modèle plus grand traite un projet ambitieux et Haiku une recherche délimitée ou un résumé. Pour une tâche d’assistance, fournissez la question et les références autorisées, puis précisez le ton de la réponse et ce qui doit être renvoyé. Pour une sous-tâche de programmation, identifiez les fichiers ou extraits pertinents et la question exacte, au lieu de confier un projet ouvert sans condition d’achèvement.
La fenêtre de contexte documentée est d’un million de tokens, avec jusqu’à 128 000 tokens de sortie en génération ordinaire. Les tokens de raisonnement comptent dans la limite de génération : le résultat doit donc laisser de la place pour le raisonnement et le texte visible. Sa date limite de connaissances fiables est juin 2026 ; les informations ultérieures nécessitent des éléments fournis ou un outil de recherche. Anthropic documente séparément une fonctionnalité bêta réservée aux lots qui peut porter la sortie à 300 000 tokens pour cette édition. Cette limite plus élevée nécessite la fonctionnalité de sortie étendue du développeur et reste distincte de la limite ordinaire. Un lot asynchrone traite les requêtes indépendamment, ce qui est utile pour des ensembles de documents ou d’enregistrements dont les résultats sont attendus après traitement plutôt qu’immédiatement.
Le raisonnement adaptatif est activé par défaut, et effort est le principal réglage de sa profondeur. Les niveaux sont low, medium, high, xhigh et max, avec medium par défaut. Anthropic recommande medium pour la plupart des tâches, high pour les tâches plus prolongées ou le suivi strict des instructions et low pour les demandes courtes et simples. Le raisonnement peut être désactivé aux niveaux low, medium ou high ; sa désactivation à xhigh ou max est rejetée. Un prompt demandant une réponse directe ne remplace pas ce réglage. Les valeurs manuelles de budget_tokens de Haiku 4.5 ne se transposent pas à cette édition, et temperature, top_p et top_k doivent être omis dans l’interface documentée.
Haiku 5.5 utilise le tokenizer plus récent introduit dans des générations Claude antérieures, et Anthropic estime qu’un même texte peut utiliser environ 30 % de tokens supplémentaires par rapport à Haiku 4.5, selon son contenu. Il conserve aussi les blocs de raisonnement des tours antérieurs de l’assistant, de sorte que la taille de la conversation peut augmenter au-delà du seul changement de tokenizer. La longueur minimale d’un prompt pouvant être mis en cache est de 512 tokens. Gardez les échanges antérieurs inchangés lorsque vous conservez le raisonnement et placez les nouvelles instructions dans le dernier échange. Modifier effort au niveau supérieur invalide le cache des messages de la conversation ; le développeur documente une fonctionnalité bêta distincte pour modifier effort au sein de conversations adaptatives. Aucune de ces capacités ne prouve qu’une requête particulière a été servie depuis le cache.
Pour la recherche d’informations, le guide de prompting du modèle recommande de fournir la date actuelle avec l’outil de recherche et de garder stables les définitions initiales du système et des outils. Donnez une date actualisée dans le dernier échange si la conversation se poursuit un jour ultérieur. Précisez ce qui doit être trouvé et conservez les sources renvoyées avant de demander une conclusion. Par exemple, une tâche illustrative peut demander le comportement documenté d’une version logicielle précise, puis une courte explication fondée sur le passage récupéré. L’application fournit l’outil de recherche et renvoie ses résultats réels ; la recherche proposée par le modèle ne prouve pas qu’elle a eu lieu.
Lorsque des sorties JSON structurées sont associées à des outils, le guide documente une interaction particulière : avec le raisonnement désactivé, Haiku peut omettre un appel d’outil nécessaire. Anthropic recommande le raisonnement adaptatif pour ces requêtes, ou la séparation entre l’exigence de JSON final et l’étape d’outil. Définissez les champs de sortie et précisez que la réponse finale suit les résultats des outils. Une consigne d’extraction de données peut nommer les champs requis et la représentation des valeurs manquantes, tandis qu’une consigne de recherche peut d’abord demander les éléments nécessaires pour les renseigner. Lisez les blocs de réponse selon leur type, car la réponse n’est pas nécessairement le premier bloc et le texte de raisonnement est omis par défaut.
Pour les prompts d’agents plus longs, Anthropic note que le niveau low peut entraîner un arrêt prématuré, l’omission d’une recherche ou l’absence d’une vérification. Son guide recommande des instructions explicites d’achèvement et de vraies vérifications des modifications de code avant de les annoncer comme terminées. Préparez le résultat attendu et les éléments qui le démontreraient : les passages sélectionnés pour un rapport, le comportement modifié pour une proposition de code ou les champs extraits d’un document. Le guide distingue aussi un message de l’utilisateur en cours de tâche d’une sortie d’outil : les nouvelles instructions de l’utilisateur appartiennent à un tour utilisateur, tandis que les éléments renvoyés par les outils restent séparés.
Cette édition a ses propres protections et peut opposer un refus pour des catégories comme les usages cybernétiques nuisibles, les usages biologiques nuisibles, le développement de modèles concurrents ou d’autres usages interdits. Le développeur ne documente pas de mécanisme de repli côté serveur pour Haiku 5.5. Son guide note également que le niveau xhigh peut parfois terminer une réponse sur plusieurs échanges sans texte de réponse visible, et que du texte ressemblant à du raisonnement peut apparaître plus souvent à low ou lorsque le raisonnement est désactivé. Ce sont des comportements précis à prendre en compte lorsqu’un workflow exige un résultat visible et structuré. Pour une extraction ou un résumé ordinaire, utilisez une source ciblée, une sortie définie et le niveau d’effort adapté à la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites anthropic/claude-haiku-5.5 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse100'000 | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de100'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.002 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "anthropic/claude-haiku-5.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'anthropic/claude-haiku-5.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'anthropic/claude-haiku-5.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Utilisez les chemins de méthode indiqués ci-dessus.
~anthropic/claude-haiku-latestClaude Haiku 5.5 est le modèle compact d’Anthropic pour la classification, l’extraction, les résumés, le routage et les tâches ciblées d’agents. Il associe la compréhension du texte et des images à un raisonnement adaptatif et vise les tâches répétitives qui demandent une réponse rapide.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Haiku 5.5 est l’édition compacte d’Anthropic pour les tâches à grand volume sensibles à la latence. Ses principaux usages comprennent la classification, le routage, l’extraction d’informations, les résumés, le compactage de conversations et le travail ciblé de sous-agents. Il accepte du texte et des images et génère du texte. Une consigne utile lui donne une question délimitée et un résultat explicite : une catégorie, un ensemble défini de champs, un court résumé ou les éléments pertinents pour une autre partie d’une tâche plus large. Gardez les identifiants des sources avec le résultat pour qu’une application puisse relier les informations extraites à leur contenu d’origine.
Anthropic positionne cette édition pour l’assistance client en direct, l’utilisation d’un navigateur et de courtes sous-tâches de programmation, ainsi que pour l’analyse répétitive. Elle peut compléter Claude Sonnet 5.5 ou Claude Opus 5.5 dans un workflow où un modèle plus grand traite un projet ambitieux et Haiku une recherche délimitée ou un résumé. Pour une tâche d’assistance, fournissez la question et les références autorisées, puis précisez le ton de la réponse et ce qui doit être renvoyé. Pour une sous-tâche de programmation, identifiez les fichiers ou extraits pertinents et la question exacte, au lieu de confier un projet ouvert sans condition d’achèvement.
La fenêtre de contexte documentée est d’un million de tokens, avec jusqu’à 128 000 tokens de sortie en génération ordinaire. Les tokens de raisonnement comptent dans la limite de génération : le résultat doit donc laisser de la place pour le raisonnement et le texte visible. Sa date limite de connaissances fiables est juin 2026 ; les informations ultérieures nécessitent des éléments fournis ou un outil de recherche. Anthropic documente séparément une fonctionnalité bêta réservée aux lots qui peut porter la sortie à 300 000 tokens pour cette édition. Cette limite plus élevée nécessite la fonctionnalité de sortie étendue du développeur et reste distincte de la limite ordinaire. Un lot asynchrone traite les requêtes indépendamment, ce qui est utile pour des ensembles de documents ou d’enregistrements dont les résultats sont attendus après traitement plutôt qu’immédiatement.
Le raisonnement adaptatif est activé par défaut, et effort est le principal réglage de sa profondeur. Les niveaux sont low, medium, high, xhigh et max, avec medium par défaut. Anthropic recommande medium pour la plupart des tâches, high pour les tâches plus prolongées ou le suivi strict des instructions et low pour les demandes courtes et simples. Le raisonnement peut être désactivé aux niveaux low, medium ou high ; sa désactivation à xhigh ou max est rejetée. Un prompt demandant une réponse directe ne remplace pas ce réglage. Les valeurs manuelles de budget_tokens de Haiku 4.5 ne se transposent pas à cette édition, et temperature, top_p et top_k doivent être omis dans l’interface documentée.
Haiku 5.5 utilise le tokenizer plus récent introduit dans des générations Claude antérieures, et Anthropic estime qu’un même texte peut utiliser environ 30 % de tokens supplémentaires par rapport à Haiku 4.5, selon son contenu. Il conserve aussi les blocs de raisonnement des tours antérieurs de l’assistant, de sorte que la taille de la conversation peut augmenter au-delà du seul changement de tokenizer. La longueur minimale d’un prompt pouvant être mis en cache est de 512 tokens. Gardez les échanges antérieurs inchangés lorsque vous conservez le raisonnement et placez les nouvelles instructions dans le dernier échange. Modifier effort au niveau supérieur invalide le cache des messages de la conversation ; le développeur documente une fonctionnalité bêta distincte pour modifier effort au sein de conversations adaptatives. Aucune de ces capacités ne prouve qu’une requête particulière a été servie depuis le cache.
Pour la recherche d’informations, le guide de prompting du modèle recommande de fournir la date actuelle avec l’outil de recherche et de garder stables les définitions initiales du système et des outils. Donnez une date actualisée dans le dernier échange si la conversation se poursuit un jour ultérieur. Précisez ce qui doit être trouvé et conservez les sources renvoyées avant de demander une conclusion. Par exemple, une tâche illustrative peut demander le comportement documenté d’une version logicielle précise, puis une courte explication fondée sur le passage récupéré. L’application fournit l’outil de recherche et renvoie ses résultats réels ; la recherche proposée par le modèle ne prouve pas qu’elle a eu lieu.
Lorsque des sorties JSON structurées sont associées à des outils, le guide documente une interaction particulière : avec le raisonnement désactivé, Haiku peut omettre un appel d’outil nécessaire. Anthropic recommande le raisonnement adaptatif pour ces requêtes, ou la séparation entre l’exigence de JSON final et l’étape d’outil. Définissez les champs de sortie et précisez que la réponse finale suit les résultats des outils. Une consigne d’extraction de données peut nommer les champs requis et la représentation des valeurs manquantes, tandis qu’une consigne de recherche peut d’abord demander les éléments nécessaires pour les renseigner. Lisez les blocs de réponse selon leur type, car la réponse n’est pas nécessairement le premier bloc et le texte de raisonnement est omis par défaut.
Pour les prompts d’agents plus longs, Anthropic note que le niveau low peut entraîner un arrêt prématuré, l’omission d’une recherche ou l’absence d’une vérification. Son guide recommande des instructions explicites d’achèvement et de vraies vérifications des modifications de code avant de les annoncer comme terminées. Préparez le résultat attendu et les éléments qui le démontreraient : les passages sélectionnés pour un rapport, le comportement modifié pour une proposition de code ou les champs extraits d’un document. Le guide distingue aussi un message de l’utilisateur en cours de tâche d’une sortie d’outil : les nouvelles instructions de l’utilisateur appartiennent à un tour utilisateur, tandis que les éléments renvoyés par les outils restent séparés.
Cette édition a ses propres protections et peut opposer un refus pour des catégories comme les usages cybernétiques nuisibles, les usages biologiques nuisibles, le développement de modèles concurrents ou d’autres usages interdits. Le développeur ne documente pas de mécanisme de repli côté serveur pour Haiku 5.5. Son guide note également que le niveau xhigh peut parfois terminer une réponse sur plusieurs échanges sans texte de réponse visible, et que du texte ressemblant à du raisonnement peut apparaître plus souvent à low ou lorsque le raisonnement est désactivé. Ce sont des comportements précis à prendre en compte lorsqu’un workflow exige un résultat visible et structuré. Pour une extraction ou un résumé ordinaire, utilisez une source ciblée, une sortie définie et le niveau d’effort adapté à la tâche.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ~anthropic/claude-haiku-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse100'000 | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de100'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.002 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~anthropic/claude-haiku-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='~anthropic/claude-haiku-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='~anthropic/claude-haiku-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Utilisez les chemins de méthode indiqués ci-dessus.
~anthropic/claude-haiku-latestClaude Haiku 5.5 est le modèle compact d’Anthropic pour la classification, l’extraction, les résumés, le routage et les tâches ciblées d’agents. Il associe la compréhension du texte et des images à un raisonnement adaptatif et vise les tâches répétitives qui demandent une réponse rapide.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Claude Haiku 5.5 est l’édition compacte d’Anthropic pour les tâches à grand volume sensibles à la latence. Ses principaux usages comprennent la classification, le routage, l’extraction d’informations, les résumés, le compactage de conversations et le travail ciblé de sous-agents. Il accepte du texte et des images et génère du texte. Une consigne utile lui donne une question délimitée et un résultat explicite : une catégorie, un ensemble défini de champs, un court résumé ou les éléments pertinents pour une autre partie d’une tâche plus large. Gardez les identifiants des sources avec le résultat pour qu’une application puisse relier les informations extraites à leur contenu d’origine.
Anthropic positionne cette édition pour l’assistance client en direct, l’utilisation d’un navigateur et de courtes sous-tâches de programmation, ainsi que pour l’analyse répétitive. Elle peut compléter Claude Sonnet 5.5 ou Claude Opus 5.5 dans un workflow où un modèle plus grand traite un projet ambitieux et Haiku une recherche délimitée ou un résumé. Pour une tâche d’assistance, fournissez la question et les références autorisées, puis précisez le ton de la réponse et ce qui doit être renvoyé. Pour une sous-tâche de programmation, identifiez les fichiers ou extraits pertinents et la question exacte, au lieu de confier un projet ouvert sans condition d’achèvement.
La fenêtre de contexte documentée est d’un million de tokens, avec jusqu’à 128 000 tokens de sortie en génération ordinaire. Les tokens de raisonnement comptent dans la limite de génération : le résultat doit donc laisser de la place pour le raisonnement et le texte visible. Sa date limite de connaissances fiables est juin 2026 ; les informations ultérieures nécessitent des éléments fournis ou un outil de recherche. Anthropic documente séparément une fonctionnalité bêta réservée aux lots qui peut porter la sortie à 300 000 tokens pour cette édition. Cette limite plus élevée nécessite la fonctionnalité de sortie étendue du développeur et reste distincte de la limite ordinaire. Un lot asynchrone traite les requêtes indépendamment, ce qui est utile pour des ensembles de documents ou d’enregistrements dont les résultats sont attendus après traitement plutôt qu’immédiatement.
Le raisonnement adaptatif est activé par défaut, et effort est le principal réglage de sa profondeur. Les niveaux sont low, medium, high, xhigh et max, avec medium par défaut. Anthropic recommande medium pour la plupart des tâches, high pour les tâches plus prolongées ou le suivi strict des instructions et low pour les demandes courtes et simples. Le raisonnement peut être désactivé aux niveaux low, medium ou high ; sa désactivation à xhigh ou max est rejetée. Un prompt demandant une réponse directe ne remplace pas ce réglage. Les valeurs manuelles de budget_tokens de Haiku 4.5 ne se transposent pas à cette édition, et temperature, top_p et top_k doivent être omis dans l’interface documentée.
Haiku 5.5 utilise le tokenizer plus récent introduit dans des générations Claude antérieures, et Anthropic estime qu’un même texte peut utiliser environ 30 % de tokens supplémentaires par rapport à Haiku 4.5, selon son contenu. Il conserve aussi les blocs de raisonnement des tours antérieurs de l’assistant, de sorte que la taille de la conversation peut augmenter au-delà du seul changement de tokenizer. La longueur minimale d’un prompt pouvant être mis en cache est de 512 tokens. Gardez les échanges antérieurs inchangés lorsque vous conservez le raisonnement et placez les nouvelles instructions dans le dernier échange. Modifier effort au niveau supérieur invalide le cache des messages de la conversation ; le développeur documente une fonctionnalité bêta distincte pour modifier effort au sein de conversations adaptatives. Aucune de ces capacités ne prouve qu’une requête particulière a été servie depuis le cache.
Pour la recherche d’informations, le guide de prompting du modèle recommande de fournir la date actuelle avec l’outil de recherche et de garder stables les définitions initiales du système et des outils. Donnez une date actualisée dans le dernier échange si la conversation se poursuit un jour ultérieur. Précisez ce qui doit être trouvé et conservez les sources renvoyées avant de demander une conclusion. Par exemple, une tâche illustrative peut demander le comportement documenté d’une version logicielle précise, puis une courte explication fondée sur le passage récupéré. L’application fournit l’outil de recherche et renvoie ses résultats réels ; la recherche proposée par le modèle ne prouve pas qu’elle a eu lieu.
Lorsque des sorties JSON structurées sont associées à des outils, le guide documente une interaction particulière : avec le raisonnement désactivé, Haiku peut omettre un appel d’outil nécessaire. Anthropic recommande le raisonnement adaptatif pour ces requêtes, ou la séparation entre l’exigence de JSON final et l’étape d’outil. Définissez les champs de sortie et précisez que la réponse finale suit les résultats des outils. Une consigne d’extraction de données peut nommer les champs requis et la représentation des valeurs manquantes, tandis qu’une consigne de recherche peut d’abord demander les éléments nécessaires pour les renseigner. Lisez les blocs de réponse selon leur type, car la réponse n’est pas nécessairement le premier bloc et le texte de raisonnement est omis par défaut.
Pour les prompts d’agents plus longs, Anthropic note que le niveau low peut entraîner un arrêt prématuré, l’omission d’une recherche ou l’absence d’une vérification. Son guide recommande des instructions explicites d’achèvement et de vraies vérifications des modifications de code avant de les annoncer comme terminées. Préparez le résultat attendu et les éléments qui le démontreraient : les passages sélectionnés pour un rapport, le comportement modifié pour une proposition de code ou les champs extraits d’un document. Le guide distingue aussi un message de l’utilisateur en cours de tâche d’une sortie d’outil : les nouvelles instructions de l’utilisateur appartiennent à un tour utilisateur, tandis que les éléments renvoyés par les outils restent séparés.
Cette édition a ses propres protections et peut opposer un refus pour des catégories comme les usages cybernétiques nuisibles, les usages biologiques nuisibles, le développement de modèles concurrents ou d’autres usages interdits. Le développeur ne documente pas de mécanisme de repli côté serveur pour Haiku 5.5. Son guide note également que le niveau xhigh peut parfois terminer une réponse sur plusieurs échanges sans texte de réponse visible, et que du texte ressemblant à du raisonnement peut apparaître plus souvent à low ou lorsque le raisonnement est désactivé. Ce sont des comportements précis à prendre en compte lorsqu’un workflow exige un résultat visible et structuré. Pour une extraction ou un résumé ordinaire, utilisez une source ciblée, une sortie définie et le niveau d’effort adapté à la tâche.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites ~anthropic/claude-haiku-latest | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluse100'000 | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.0004 / 1K tokens |
| ConfigurationPalier 2 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de100'000 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.0002 / 1K tokens Sortie · Tokens en sortie $0.001 / 1K tokens Entrée · Lecture du cache $0.00002 / 1K tokens Entrée · Écriture dans le cache $0.00025 / 1K tokens Entrée · Écriture dans le cache, 1 h $0.002 / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "~anthropic/claude-haiku-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~anthropic/claude-haiku-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~anthropic/claude-haiku-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
Extract a support handoff\n\nExtract a handoff from this ticket, using only its text: T-184: 'I changed my billing email yesterday. Receipts still go to the old address. My login works. Please resend March and April receipts.' Return ticket ID, requested actions, working function and missing information. Use 'not stated' for absent details.Four labeled fields retaining T-184, the receipt request, the working login and explicitly missing details.Every extracted value must trace to the ticket; do not invent either email address.