Claude Haiku 5.5 er Anthropics småmodellutgave for oppgaver i stort volum som er følsomme for svartid. Hovedbruken omfatter klassifisering, ruting, informasjonsuthenting, oppsummering, samtalekomprimering og målrettet underagentarbeid. Den tar imot tekst og bilder og genererer tekst. En nyttig beskrivelse gir den et avgrenset spørsmål og et eksplisitt resultat: en kategori, et definert sett med felter, en kort oppsummering eller relevant belegg for en annen del av en større oppgave. Hold kildeidentifikatorene med resultatet, slik at en applikasjon kan knytte den uttrukne informasjonen til originalmaterialet.
Anthropic posisjonerer denne utgaven for kundestøtte i sanntid, nettleserbruk og korte kodeunderoppgaver samt gjentakende analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i en arbeidsflyt der en større modell håndterer et ambisiøst prosjekt og Haiku håndterer et avgrenset oppslag eller en oppsummering. For en støtteoppgave oppgir du spørsmålet og tillatt referansemateriale, og angir så svartonen og hva som må returneres. For en kodeunderoppgave identifiserer du relevante filer eller utdrag og det eksakte spørsmålet, fremfor å tildele et åpent prosjekt uten et fullføringsvilkår.
Det dokumenterte kontekstvinduet er én million tokener, med opptil 128,000 outputtokener ved vanlig generering. Resonneringstokener teller mot genereringsrammen, så resultatet trenger plass til både resonnering og synlig tekst. Grensen for pålitelig kunnskap er juni 2026; senere informasjon trenger oppgitt belegg eller et søkeverktøy. Anthropic dokumenterer separat en beta bare for batchbehandling som kan øke output til 300,000 tokener for denne utgaven. Den større rammen krever produsentens funksjon for utvidet output og er adskilt fra den vanlige grensen. En asynkron batch håndterer forespørsler uavhengig, noe som gjør den nyttig for samlinger av dokumenter eller poster der resultatene trengs etter behandling fremfor umiddelbart.
Adaptiv resonnering er aktivert som standard, og effort er hovedinnstillingen for resonneringsdybde. Nivåene er low, medium, high, xhigh og max, med medium som standard. Anthropic anbefaler medium for det meste av arbeidet, high for mer vedvarende oppgaver eller streng instruksjonsfølging og low for enklere, korte forespørsler. Resonnering kan deaktiveres ved low, medium eller high; deaktivering ved xhigh eller max avvises. En ledetekst som ber om et direkte svar erstatter ikke denne innstillingen. Manuelle budget_tokens-innstillinger fra Haiku 4.5 gjelder ikke for denne utgaven, og temperature, top_p og top_k bør utelates i det dokumenterte grensesnittet.
Haiku 5.5 bruker den nyere tokenizeren som ble introdusert i tidligere Claude-generasjoner, og Anthropic anslår at samme tekst kan bruke omtrent 30% flere tokener enn på Haiku 4.5, avhengig av innholdet. Den beholder også resonneringsblokker fra tidligere assistentrunder, så samtalestørrelsen kan vokse utover endringen i tokenizer alene. Den minste ledetekstlengden som kan mellomlagres er 512 tokener. Hold tidligere runder uendret når du beholder resonnering, og legg nye instruksjoner i den nyeste runden. Endring av effort på øverste nivå ugyldiggjør samtalens mellomlager for meldinger; produsenten dokumenterer en separat beta for endring av effort innenfor adaptive samtaler. Ingen av disse evnene fastslår at en bestemt forespørsel får et treff i mellomlageret.
For gjenfinning anbefaler modellens veiledning for ledetekster å oppgi gjeldende dato med søkeverktøyet og holde de opprinnelige system- og verktøydefinisjonene stabile. Oppgi en ny dato i den nyeste runden hvis samtalen fortsetter på en senere dag. Angi hva som må finnes og bevar de returnerte kildene før du ber om en konklusjon. En illustrerende oppgave kan for eksempel spørre etter dokumentert oppførsel i en bestemt programvareversjon, etterfulgt av en kort forklaring forankret i den innhentede passasjen. Applikasjonen leverer søkeverktøyet og returnerer de faktiske resultatene; modellens foreslåtte oppslag er ikke belegg for at oppslaget fant sted.
Når strukturert JSON-output kombineres med verktøy, dokumenterer veiledningen en bestemt samhandling: med resonnering deaktivert kan Haiku hoppe over et nødvendig verktøykall. Anthropic anbefaler adaptiv resonnering for slike forespørsler, eller å skille det endelige JSON-kravet fra verktøytrinnet. Definer outputfeltene og gjør det tydelig at det endelige svaret følger verktøyresultatene. En beskrivelse for datauthenting kan navngi påkrevde felter og hvordan manglende verdier skal representeres, mens en oppslagsbeskrivelse først kan be om belegget som trengs for å fylle dem. Les svarblokker etter type, siden svaret ikke trenger å være den første blokken og resonneringstekst utelates som standard.
For lengre agentledetekster bemerker Anthropic at low kan stoppe tidlig, hoppe over et søk eller utelate en kontroll. Veiledningen anbefaler eksplisitte fullføringsinstruksjoner og faktiske kontroller av kodeendringer før de rapporteres som ferdige. Forbered forventet resultat og belegget som ville demonstrere det: de utvalgte passasjene for en rapport, den endrede oppførselen for et kodeforslag eller feltene som er trukket ut fra et dokument. Veiledningen skiller også en brukers melding midt i oppgaven fra verktøyoutput: nye brukerinstruksjoner hører hjemme i en brukerrunde, mens returnert verktøybelegg fortsatt er separat.
Denne utgaven har sine egne beskyttelsestiltak og kan returnere et avslag for kategorier som omfatter skadelig kyberaktivitet, biologisk skade, utvikling av konkurrerende modeller eller andre forbudte bruksområder. Produsenten dokumenterer ikke reservebehandling på serversiden for Haiku 5.5. Veiledningen bemerker også at xhigh-innsats noen ganger kan avslutte et svar i en flerrundesamtale uten synlig svartekst, og at tekst som ligner resonnering kan forekomme oftere ved low eller med resonnering deaktivert. Dette er konkrete atferdstrekk å ta hensyn til når en arbeidsflyt krever et synlig, strukturert resultat. For vanlig uthentings- eller oppsummeringsarbeid bruker du en målrettet kilde, en definert output og et innsatsnivå som passer oppgaven.
", "aboutText": "Claude Haiku 5.5 er Anthropics småmodellutgave for oppgaver i stort volum som er følsomme for svartid. Hovedbruken omfatter klassifisering, ruting, informasjonsuthenting, oppsummering, samtalekomprimering og målrettet underagentarbeid. Den tar imot tekst og bilder og genererer tekst. En nyttig beskrivelse gir den et avgrenset spørsmål og et eksplisitt resultat: en kategori, et definert sett med felter, en kort oppsummering eller relevant belegg for en annen del av en større oppgave. Hold kildeidentifikatorene med resultatet, slik at en applikasjon kan knytte den uttrukne informasjonen til originalmaterialet.\n\nAnthropic posisjonerer denne utgaven for kundestøtte i sanntid, nettleserbruk og korte kodeunderoppgaver samt gjentakende analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i en arbeidsflyt der en større modell håndterer et ambisiøst prosjekt og Haiku håndterer et avgrenset oppslag eller en oppsummering. For en støtteoppgave oppgir du spørsmålet og tillatt referansemateriale, og angir så svartonen og hva som må returneres. For en kodeunderoppgave identifiserer du relevante filer eller utdrag og det eksakte spørsmålet, fremfor å tildele et åpent prosjekt uten et fullføringsvilkår.\n\nDet dokumenterte kontekstvinduet er én million tokener, med opptil 128,000 outputtokener ved vanlig generering. Resonneringstokener teller mot genereringsrammen, så resultatet trenger plass til både resonnering og synlig tekst. Grensen for pålitelig kunnskap er juni 2026; senere informasjon trenger oppgitt belegg eller et søkeverktøy. Anthropic dokumenterer separat en beta bare for batchbehandling som kan øke output til 300,000 tokener for denne utgaven. Den større rammen krever produsentens funksjon for utvidet output og er adskilt fra den vanlige grensen. En asynkron batch håndterer forespørsler uavhengig, noe som gjør den nyttig for samlinger av dokumenter eller poster der resultatene trengs etter behandling fremfor umiddelbart.\n\nAdaptiv resonnering er aktivert som standard, og effort er hovedinnstillingen for resonneringsdybde. Nivåene er low, medium, high, xhigh og max, med medium som standard. Anthropic anbefaler medium for det meste av arbeidet, high for mer vedvarende oppgaver eller streng instruksjonsfølging og low for enklere, korte forespørsler. Resonnering kan deaktiveres ved low, medium eller high; deaktivering ved xhigh eller max avvises. En ledetekst som ber om et direkte svar erstatter ikke denne innstillingen. Manuelle budget_tokens-innstillinger fra Haiku 4.5 gjelder ikke for denne utgaven, og temperature, top_p og top_k bør utelates i det dokumenterte grensesnittet.\n\nHaiku 5.5 bruker den nyere tokenizeren som ble introdusert i tidligere Claude-generasjoner, og Anthropic anslår at samme tekst kan bruke omtrent 30% flere tokener enn på Haiku 4.5, avhengig av innholdet. Den beholder også resonneringsblokker fra tidligere assistentrunder, så samtalestørrelsen kan vokse utover endringen i tokenizer alene. Den minste ledetekstlengden som kan mellomlagres er 512 tokener. Hold tidligere runder uendret når du beholder resonnering, og legg nye instruksjoner i den nyeste runden. Endring av effort på øverste nivå ugyldiggjør samtalens mellomlager for meldinger; produsenten dokumenterer en separat beta for endring av effort innenfor adaptive samtaler. Ingen av disse evnene fastslår at en bestemt forespørsel får et treff i mellomlageret.\n\nFor gjenfinning anbefaler modellens veiledning for ledetekster å oppgi gjeldende dato med søkeverktøyet og holde de opprinnelige system- og verktøydefinisjonene stabile. Oppgi en ny dato i den nyeste runden hvis samtalen fortsetter på en senere dag. Angi hva som må finnes og bevar de returnerte kildene før du ber om en konklusjon. En illustrerende oppgave kan for eksempel spørre etter dokumentert oppførsel i en bestemt programvareversjon, etterfulgt av en kort forklaring forankret i den innhentede passasjen. Applikasjonen leverer søkeverktøyet og returnerer de faktiske resultatene; modellens foreslåtte oppslag er ikke belegg for at oppslaget fant sted.\n\nNår strukturert JSON-output kombineres med verktøy, dokumenterer veiledningen en bestemt samhandling: med resonnering deaktivert kan Haiku hoppe over et nødvendig verktøykall. Anthropic anbefaler adaptiv resonnering for slike forespørsler, eller å skille det endelige JSON-kravet fra verktøytrinnet. Definer outputfeltene og gjør det tydelig at det endelige svaret følger verktøyresultatene. En beskrivelse for datauthenting kan navngi påkrevde felter og hvordan manglende verdier skal representeres, mens en oppslagsbeskrivelse først kan be om belegget som trengs for å fylle dem. Les svarblokker etter type, siden svaret ikke trenger å være den første blokken og resonneringstekst utelates som standard.\n\nFor lengre agentledetekster bemerker Anthropic at low kan stoppe tidlig, hoppe over et søk eller utelate en kontroll. Veiledningen anbefaler eksplisitte fullføringsinstruksjoner og faktiske kontroller av kodeendringer før de rapporteres som ferdige. Forbered forventet resultat og belegget som ville demonstrere det: de utvalgte passasjene for en rapport, den endrede oppførselen for et kodeforslag eller feltene som er trukket ut fra et dokument. Veiledningen skiller også en brukers melding midt i oppgaven fra verktøyoutput: nye brukerinstruksjoner hører hjemme i en brukerrunde, mens returnert verktøybelegg fortsatt er separat.\n\nDenne utgaven har sine egne beskyttelsestiltak og kan returnere et avslag for kategorier som omfatter skadelig kyberaktivitet, biologisk skade, utvikling av konkurrerende modeller eller andre forbudte bruksområder. Produsenten dokumenterer ikke reservebehandling på serversiden for Haiku 5.5. Veiledningen bemerker også at xhigh-innsats noen ganger kan avslutte et svar i en flerrundesamtale uten synlig svartekst, og at tekst som ligner resonnering kan forekomme oftere ved low eller med resonnering deaktivert. Dette er konkrete atferdstrekk å ta hensyn til når en arbeidsflyt krever et synlig, strukturert resultat. For vanlig uthentings- eller oppsummeringsarbeid bruker du en målrettet kilde, en definert output og et innsatsnivå som passer oppgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
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 er Anthropics lille modell for klassifisering, uthenting, oppsummeringer, ruting og målrettede agentoppgaver. Den kombinerer tekst- og bildeforståelse med adaptiv resonnering og er utformet for gjentakende arbeid som trenger et raskt svar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Claude Haiku 5.5 er Anthropics småmodellutgave for oppgaver i stort volum som er følsomme for svartid. Hovedbruken omfatter klassifisering, ruting, informasjonsuthenting, oppsummering, samtalekomprimering og målrettet underagentarbeid. Den tar imot tekst og bilder og genererer tekst. En nyttig beskrivelse gir den et avgrenset spørsmål og et eksplisitt resultat: en kategori, et definert sett med felter, en kort oppsummering eller relevant belegg for en annen del av en større oppgave. Hold kildeidentifikatorene med resultatet, slik at en applikasjon kan knytte den uttrukne informasjonen til originalmaterialet.
Anthropic posisjonerer denne utgaven for kundestøtte i sanntid, nettleserbruk og korte kodeunderoppgaver samt gjentakende analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i en arbeidsflyt der en større modell håndterer et ambisiøst prosjekt og Haiku håndterer et avgrenset oppslag eller en oppsummering. For en støtteoppgave oppgir du spørsmålet og tillatt referansemateriale, og angir så svartonen og hva som må returneres. For en kodeunderoppgave identifiserer du relevante filer eller utdrag og det eksakte spørsmålet, fremfor å tildele et åpent prosjekt uten et fullføringsvilkår.
Det dokumenterte kontekstvinduet er én million tokener, med opptil 128,000 outputtokener ved vanlig generering. Resonneringstokener teller mot genereringsrammen, så resultatet trenger plass til både resonnering og synlig tekst. Grensen for pålitelig kunnskap er juni 2026; senere informasjon trenger oppgitt belegg eller et søkeverktøy. Anthropic dokumenterer separat en beta bare for batchbehandling som kan øke output til 300,000 tokener for denne utgaven. Den større rammen krever produsentens funksjon for utvidet output og er adskilt fra den vanlige grensen. En asynkron batch håndterer forespørsler uavhengig, noe som gjør den nyttig for samlinger av dokumenter eller poster der resultatene trengs etter behandling fremfor umiddelbart.
Adaptiv resonnering er aktivert som standard, og effort er hovedinnstillingen for resonneringsdybde. Nivåene er low, medium, high, xhigh og max, med medium som standard. Anthropic anbefaler medium for det meste av arbeidet, high for mer vedvarende oppgaver eller streng instruksjonsfølging og low for enklere, korte forespørsler. Resonnering kan deaktiveres ved low, medium eller high; deaktivering ved xhigh eller max avvises. En ledetekst som ber om et direkte svar erstatter ikke denne innstillingen. Manuelle budget_tokens-innstillinger fra Haiku 4.5 gjelder ikke for denne utgaven, og temperature, top_p og top_k bør utelates i det dokumenterte grensesnittet.
Haiku 5.5 bruker den nyere tokenizeren som ble introdusert i tidligere Claude-generasjoner, og Anthropic anslår at samme tekst kan bruke omtrent 30% flere tokener enn på Haiku 4.5, avhengig av innholdet. Den beholder også resonneringsblokker fra tidligere assistentrunder, så samtalestørrelsen kan vokse utover endringen i tokenizer alene. Den minste ledetekstlengden som kan mellomlagres er 512 tokener. Hold tidligere runder uendret når du beholder resonnering, og legg nye instruksjoner i den nyeste runden. Endring av effort på øverste nivå ugyldiggjør samtalens mellomlager for meldinger; produsenten dokumenterer en separat beta for endring av effort innenfor adaptive samtaler. Ingen av disse evnene fastslår at en bestemt forespørsel får et treff i mellomlageret.
For gjenfinning anbefaler modellens veiledning for ledetekster å oppgi gjeldende dato med søkeverktøyet og holde de opprinnelige system- og verktøydefinisjonene stabile. Oppgi en ny dato i den nyeste runden hvis samtalen fortsetter på en senere dag. Angi hva som må finnes og bevar de returnerte kildene før du ber om en konklusjon. En illustrerende oppgave kan for eksempel spørre etter dokumentert oppførsel i en bestemt programvareversjon, etterfulgt av en kort forklaring forankret i den innhentede passasjen. Applikasjonen leverer søkeverktøyet og returnerer de faktiske resultatene; modellens foreslåtte oppslag er ikke belegg for at oppslaget fant sted.
Når strukturert JSON-output kombineres med verktøy, dokumenterer veiledningen en bestemt samhandling: med resonnering deaktivert kan Haiku hoppe over et nødvendig verktøykall. Anthropic anbefaler adaptiv resonnering for slike forespørsler, eller å skille det endelige JSON-kravet fra verktøytrinnet. Definer outputfeltene og gjør det tydelig at det endelige svaret følger verktøyresultatene. En beskrivelse for datauthenting kan navngi påkrevde felter og hvordan manglende verdier skal representeres, mens en oppslagsbeskrivelse først kan be om belegget som trengs for å fylle dem. Les svarblokker etter type, siden svaret ikke trenger å være den første blokken og resonneringstekst utelates som standard.
For lengre agentledetekster bemerker Anthropic at low kan stoppe tidlig, hoppe over et søk eller utelate en kontroll. Veiledningen anbefaler eksplisitte fullføringsinstruksjoner og faktiske kontroller av kodeendringer før de rapporteres som ferdige. Forbered forventet resultat og belegget som ville demonstrere det: de utvalgte passasjene for en rapport, den endrede oppførselen for et kodeforslag eller feltene som er trukket ut fra et dokument. Veiledningen skiller også en brukers melding midt i oppgaven fra verktøyoutput: nye brukerinstruksjoner hører hjemme i en brukerrunde, mens returnert verktøybelegg fortsatt er separat.
Denne utgaven har sine egne beskyttelsestiltak og kan returnere et avslag for kategorier som omfatter skadelig kyberaktivitet, biologisk skade, utvikling av konkurrerende modeller eller andre forbudte bruksområder. Produsenten dokumenterer ikke reservebehandling på serversiden for Haiku 5.5. Veiledningen bemerker også at xhigh-innsats noen ganger kan avslutte et svar i en flerrundesamtale uten synlig svartekst, og at tekst som ligner resonnering kan forekomme oftere ved low eller med resonnering deaktivert. Dette er konkrete atferdstrekk å ta hensyn til når en arbeidsflyt krever et synlig, strukturert resultat. For vanlig uthentings- eller oppsummeringsarbeid bruker du en målrettet kilde, en definert output og et innsatsnivå som passer oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser anthropic/claude-haiku-5.5 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med100 000 | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn100 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.002 / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Bruk metodestiene som vises ovenfor.
anthropic/claude-haiku-5.5Claude Haiku 5.5 er Anthropics lille modell for klassifisering, uthenting, oppsummeringer, ruting og målrettede agentoppgaver. Den kombinerer tekst- og bildeforståelse med adaptiv resonnering og er utformet for gjentakende arbeid som trenger et raskt svar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Claude Haiku 5.5 er Anthropics småmodellutgave for oppgaver i stort volum som er følsomme for svartid. Hovedbruken omfatter klassifisering, ruting, informasjonsuthenting, oppsummering, samtalekomprimering og målrettet underagentarbeid. Den tar imot tekst og bilder og genererer tekst. En nyttig beskrivelse gir den et avgrenset spørsmål og et eksplisitt resultat: en kategori, et definert sett med felter, en kort oppsummering eller relevant belegg for en annen del av en større oppgave. Hold kildeidentifikatorene med resultatet, slik at en applikasjon kan knytte den uttrukne informasjonen til originalmaterialet.
Anthropic posisjonerer denne utgaven for kundestøtte i sanntid, nettleserbruk og korte kodeunderoppgaver samt gjentakende analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i en arbeidsflyt der en større modell håndterer et ambisiøst prosjekt og Haiku håndterer et avgrenset oppslag eller en oppsummering. For en støtteoppgave oppgir du spørsmålet og tillatt referansemateriale, og angir så svartonen og hva som må returneres. For en kodeunderoppgave identifiserer du relevante filer eller utdrag og det eksakte spørsmålet, fremfor å tildele et åpent prosjekt uten et fullføringsvilkår.
Det dokumenterte kontekstvinduet er én million tokener, med opptil 128,000 outputtokener ved vanlig generering. Resonneringstokener teller mot genereringsrammen, så resultatet trenger plass til både resonnering og synlig tekst. Grensen for pålitelig kunnskap er juni 2026; senere informasjon trenger oppgitt belegg eller et søkeverktøy. Anthropic dokumenterer separat en beta bare for batchbehandling som kan øke output til 300,000 tokener for denne utgaven. Den større rammen krever produsentens funksjon for utvidet output og er adskilt fra den vanlige grensen. En asynkron batch håndterer forespørsler uavhengig, noe som gjør den nyttig for samlinger av dokumenter eller poster der resultatene trengs etter behandling fremfor umiddelbart.
Adaptiv resonnering er aktivert som standard, og effort er hovedinnstillingen for resonneringsdybde. Nivåene er low, medium, high, xhigh og max, med medium som standard. Anthropic anbefaler medium for det meste av arbeidet, high for mer vedvarende oppgaver eller streng instruksjonsfølging og low for enklere, korte forespørsler. Resonnering kan deaktiveres ved low, medium eller high; deaktivering ved xhigh eller max avvises. En ledetekst som ber om et direkte svar erstatter ikke denne innstillingen. Manuelle budget_tokens-innstillinger fra Haiku 4.5 gjelder ikke for denne utgaven, og temperature, top_p og top_k bør utelates i det dokumenterte grensesnittet.
Haiku 5.5 bruker den nyere tokenizeren som ble introdusert i tidligere Claude-generasjoner, og Anthropic anslår at samme tekst kan bruke omtrent 30% flere tokener enn på Haiku 4.5, avhengig av innholdet. Den beholder også resonneringsblokker fra tidligere assistentrunder, så samtalestørrelsen kan vokse utover endringen i tokenizer alene. Den minste ledetekstlengden som kan mellomlagres er 512 tokener. Hold tidligere runder uendret når du beholder resonnering, og legg nye instruksjoner i den nyeste runden. Endring av effort på øverste nivå ugyldiggjør samtalens mellomlager for meldinger; produsenten dokumenterer en separat beta for endring av effort innenfor adaptive samtaler. Ingen av disse evnene fastslår at en bestemt forespørsel får et treff i mellomlageret.
For gjenfinning anbefaler modellens veiledning for ledetekster å oppgi gjeldende dato med søkeverktøyet og holde de opprinnelige system- og verktøydefinisjonene stabile. Oppgi en ny dato i den nyeste runden hvis samtalen fortsetter på en senere dag. Angi hva som må finnes og bevar de returnerte kildene før du ber om en konklusjon. En illustrerende oppgave kan for eksempel spørre etter dokumentert oppførsel i en bestemt programvareversjon, etterfulgt av en kort forklaring forankret i den innhentede passasjen. Applikasjonen leverer søkeverktøyet og returnerer de faktiske resultatene; modellens foreslåtte oppslag er ikke belegg for at oppslaget fant sted.
Når strukturert JSON-output kombineres med verktøy, dokumenterer veiledningen en bestemt samhandling: med resonnering deaktivert kan Haiku hoppe over et nødvendig verktøykall. Anthropic anbefaler adaptiv resonnering for slike forespørsler, eller å skille det endelige JSON-kravet fra verktøytrinnet. Definer outputfeltene og gjør det tydelig at det endelige svaret følger verktøyresultatene. En beskrivelse for datauthenting kan navngi påkrevde felter og hvordan manglende verdier skal representeres, mens en oppslagsbeskrivelse først kan be om belegget som trengs for å fylle dem. Les svarblokker etter type, siden svaret ikke trenger å være den første blokken og resonneringstekst utelates som standard.
For lengre agentledetekster bemerker Anthropic at low kan stoppe tidlig, hoppe over et søk eller utelate en kontroll. Veiledningen anbefaler eksplisitte fullføringsinstruksjoner og faktiske kontroller av kodeendringer før de rapporteres som ferdige. Forbered forventet resultat og belegget som ville demonstrere det: de utvalgte passasjene for en rapport, den endrede oppførselen for et kodeforslag eller feltene som er trukket ut fra et dokument. Veiledningen skiller også en brukers melding midt i oppgaven fra verktøyoutput: nye brukerinstruksjoner hører hjemme i en brukerrunde, mens returnert verktøybelegg fortsatt er separat.
Denne utgaven har sine egne beskyttelsestiltak og kan returnere et avslag for kategorier som omfatter skadelig kyberaktivitet, biologisk skade, utvikling av konkurrerende modeller eller andre forbudte bruksområder. Produsenten dokumenterer ikke reservebehandling på serversiden for Haiku 5.5. Veiledningen bemerker også at xhigh-innsats noen ganger kan avslutte et svar i en flerrundesamtale uten synlig svartekst, og at tekst som ligner resonnering kan forekomme oftere ved low eller med resonnering deaktivert. Dette er konkrete atferdstrekk å ta hensyn til når en arbeidsflyt krever et synlig, strukturert resultat. For vanlig uthentings- eller oppsummeringsarbeid bruker du en målrettet kilde, en definert output og et innsatsnivå som passer oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser anthropic/claude-haiku-5.5 | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med100 000 | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn100 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.002 / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "anthropic/claude-haiku-5.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Bruk metodestiene som vises ovenfor.
~anthropic/claude-haiku-latestClaude Haiku 5.5 er Anthropics lille modell for klassifisering, uthenting, oppsummeringer, ruting og målrettede agentoppgaver. Den kombinerer tekst- og bildeforståelse med adaptiv resonnering og er utformet for gjentakende arbeid som trenger et raskt svar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Claude Haiku 5.5 er Anthropics småmodellutgave for oppgaver i stort volum som er følsomme for svartid. Hovedbruken omfatter klassifisering, ruting, informasjonsuthenting, oppsummering, samtalekomprimering og målrettet underagentarbeid. Den tar imot tekst og bilder og genererer tekst. En nyttig beskrivelse gir den et avgrenset spørsmål og et eksplisitt resultat: en kategori, et definert sett med felter, en kort oppsummering eller relevant belegg for en annen del av en større oppgave. Hold kildeidentifikatorene med resultatet, slik at en applikasjon kan knytte den uttrukne informasjonen til originalmaterialet.
Anthropic posisjonerer denne utgaven for kundestøtte i sanntid, nettleserbruk og korte kodeunderoppgaver samt gjentakende analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i en arbeidsflyt der en større modell håndterer et ambisiøst prosjekt og Haiku håndterer et avgrenset oppslag eller en oppsummering. For en støtteoppgave oppgir du spørsmålet og tillatt referansemateriale, og angir så svartonen og hva som må returneres. For en kodeunderoppgave identifiserer du relevante filer eller utdrag og det eksakte spørsmålet, fremfor å tildele et åpent prosjekt uten et fullføringsvilkår.
Det dokumenterte kontekstvinduet er én million tokener, med opptil 128,000 outputtokener ved vanlig generering. Resonneringstokener teller mot genereringsrammen, så resultatet trenger plass til både resonnering og synlig tekst. Grensen for pålitelig kunnskap er juni 2026; senere informasjon trenger oppgitt belegg eller et søkeverktøy. Anthropic dokumenterer separat en beta bare for batchbehandling som kan øke output til 300,000 tokener for denne utgaven. Den større rammen krever produsentens funksjon for utvidet output og er adskilt fra den vanlige grensen. En asynkron batch håndterer forespørsler uavhengig, noe som gjør den nyttig for samlinger av dokumenter eller poster der resultatene trengs etter behandling fremfor umiddelbart.
Adaptiv resonnering er aktivert som standard, og effort er hovedinnstillingen for resonneringsdybde. Nivåene er low, medium, high, xhigh og max, med medium som standard. Anthropic anbefaler medium for det meste av arbeidet, high for mer vedvarende oppgaver eller streng instruksjonsfølging og low for enklere, korte forespørsler. Resonnering kan deaktiveres ved low, medium eller high; deaktivering ved xhigh eller max avvises. En ledetekst som ber om et direkte svar erstatter ikke denne innstillingen. Manuelle budget_tokens-innstillinger fra Haiku 4.5 gjelder ikke for denne utgaven, og temperature, top_p og top_k bør utelates i det dokumenterte grensesnittet.
Haiku 5.5 bruker den nyere tokenizeren som ble introdusert i tidligere Claude-generasjoner, og Anthropic anslår at samme tekst kan bruke omtrent 30% flere tokener enn på Haiku 4.5, avhengig av innholdet. Den beholder også resonneringsblokker fra tidligere assistentrunder, så samtalestørrelsen kan vokse utover endringen i tokenizer alene. Den minste ledetekstlengden som kan mellomlagres er 512 tokener. Hold tidligere runder uendret når du beholder resonnering, og legg nye instruksjoner i den nyeste runden. Endring av effort på øverste nivå ugyldiggjør samtalens mellomlager for meldinger; produsenten dokumenterer en separat beta for endring av effort innenfor adaptive samtaler. Ingen av disse evnene fastslår at en bestemt forespørsel får et treff i mellomlageret.
For gjenfinning anbefaler modellens veiledning for ledetekster å oppgi gjeldende dato med søkeverktøyet og holde de opprinnelige system- og verktøydefinisjonene stabile. Oppgi en ny dato i den nyeste runden hvis samtalen fortsetter på en senere dag. Angi hva som må finnes og bevar de returnerte kildene før du ber om en konklusjon. En illustrerende oppgave kan for eksempel spørre etter dokumentert oppførsel i en bestemt programvareversjon, etterfulgt av en kort forklaring forankret i den innhentede passasjen. Applikasjonen leverer søkeverktøyet og returnerer de faktiske resultatene; modellens foreslåtte oppslag er ikke belegg for at oppslaget fant sted.
Når strukturert JSON-output kombineres med verktøy, dokumenterer veiledningen en bestemt samhandling: med resonnering deaktivert kan Haiku hoppe over et nødvendig verktøykall. Anthropic anbefaler adaptiv resonnering for slike forespørsler, eller å skille det endelige JSON-kravet fra verktøytrinnet. Definer outputfeltene og gjør det tydelig at det endelige svaret følger verktøyresultatene. En beskrivelse for datauthenting kan navngi påkrevde felter og hvordan manglende verdier skal representeres, mens en oppslagsbeskrivelse først kan be om belegget som trengs for å fylle dem. Les svarblokker etter type, siden svaret ikke trenger å være den første blokken og resonneringstekst utelates som standard.
For lengre agentledetekster bemerker Anthropic at low kan stoppe tidlig, hoppe over et søk eller utelate en kontroll. Veiledningen anbefaler eksplisitte fullføringsinstruksjoner og faktiske kontroller av kodeendringer før de rapporteres som ferdige. Forbered forventet resultat og belegget som ville demonstrere det: de utvalgte passasjene for en rapport, den endrede oppførselen for et kodeforslag eller feltene som er trukket ut fra et dokument. Veiledningen skiller også en brukers melding midt i oppgaven fra verktøyoutput: nye brukerinstruksjoner hører hjemme i en brukerrunde, mens returnert verktøybelegg fortsatt er separat.
Denne utgaven har sine egne beskyttelsestiltak og kan returnere et avslag for kategorier som omfatter skadelig kyberaktivitet, biologisk skade, utvikling av konkurrerende modeller eller andre forbudte bruksområder. Produsenten dokumenterer ikke reservebehandling på serversiden for Haiku 5.5. Veiledningen bemerker også at xhigh-innsats noen ganger kan avslutte et svar i en flerrundesamtale uten synlig svartekst, og at tekst som ligner resonnering kan forekomme oftere ved low eller med resonnering deaktivert. Dette er konkrete atferdstrekk å ta hensyn til når en arbeidsflyt krever et synlig, strukturert resultat. For vanlig uthentings- eller oppsummeringsarbeid bruker du en målrettet kilde, en definert output og et innsatsnivå som passer oppgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser ~anthropic/claude-haiku-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser Minste antall elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser Eksempler: system, user, assistant, tool, function Vilkår: Disse rollene representeres eksplisitt av kompatibilitetstyper i kildekoden; det eksakte rollesettet for modellen er fortsatt modellspesifikt. Avhenger av modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfritt | Verdier & grenser Gjelder når: role=tool; bruk faktisk returnert ID | Standard— |
Feltmessages[].name | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfritt | Verdier & grenser Gjelder når: Send den faktisk returnerte resonneringen tilbake der denne modellen bruker den | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfritt | Verdier & grenser Minimum: 1 Avhenger av modellen | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttemperature | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttop_p | Typenumber | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Felttools[].type | Typestring | KravValgfritt | Verdier & grenser function Avhenger av modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrevd | Verdier & grenser Gjelder når: funksjonsverktøy oppgitt | Standard— |
Felttools[].function.description | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfritt | Verdier & grenser | Standard— |
Felttool_choice | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltreasoning | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltservice_tier | Typestring | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltinstructions | Typestring | KravValgfritt | Verdier & grenser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfritt | Verdier & grenser Avhenger av modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfritt | Verdier & grenser text | Standard— |
Feltprovider | Typeobject | KravValgfritt | Verdier & grenser Vilkår: provider.options avvises på denne Ultra-tekstruten | Standard— |
Feltcache_control.ttl | Typestring | KravValgfritt | Verdier & grenser Vilkår: 1h avvises på faktiske steder for mellomlagring av ledetekster | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages |
Parametermaterial_types | Avtaletext |
Parametermessages | Avtalemeldingstabell med role/content-struktur |
Parameterfile_material | Avtalefaktisk UTF-8-dokument satt inn som bokstavelig tekst; ingen fil-ID utledes |
Parameteroptional_controls | Avtalestream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalemodellspesifikt; brukerens funksjonsverktøy skiller seg fra driftede verktøy |
Parameteroutput_modalities | Avtaletext |
Parameterhosted_operations | Avtalefalse |
Parametermultimodal_input_binding | Avtalenull |
Livssyklus: synchronous_or_streamed
Send eksakt modell-ID sammen med messages.
Kontekstlengde er ikke en outputgrense.
En tekstfil kan levere bokstavelig tekst; bilde-, lyd- og filobjektinput trenger eksakt binding.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med100 000 | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn100 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.002 / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold hvert svaralternativ med innhold, verktøykall og resonnering. Sett sammen endringer i SSE etter svaralternativets/verktøyets indeks, og behold endelig avslutningsgrunn og bruksdata.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Bruk metodestiene som vises ovenfor.
~anthropic/claude-haiku-latestClaude Haiku 5.5 er Anthropics lille modell for klassifisering, uthenting, oppsummeringer, ruting og målrettede agentoppgaver. Den kombinerer tekst- og bildeforståelse med adaptiv resonnering og er utformet for gjentakende arbeid som trenger et raskt svar.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Claude Haiku 5.5 er Anthropics småmodellutgave for oppgaver i stort volum som er følsomme for svartid. Hovedbruken omfatter klassifisering, ruting, informasjonsuthenting, oppsummering, samtalekomprimering og målrettet underagentarbeid. Den tar imot tekst og bilder og genererer tekst. En nyttig beskrivelse gir den et avgrenset spørsmål og et eksplisitt resultat: en kategori, et definert sett med felter, en kort oppsummering eller relevant belegg for en annen del av en større oppgave. Hold kildeidentifikatorene med resultatet, slik at en applikasjon kan knytte den uttrukne informasjonen til originalmaterialet.
Anthropic posisjonerer denne utgaven for kundestøtte i sanntid, nettleserbruk og korte kodeunderoppgaver samt gjentakende analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i en arbeidsflyt der en større modell håndterer et ambisiøst prosjekt og Haiku håndterer et avgrenset oppslag eller en oppsummering. For en støtteoppgave oppgir du spørsmålet og tillatt referansemateriale, og angir så svartonen og hva som må returneres. For en kodeunderoppgave identifiserer du relevante filer eller utdrag og det eksakte spørsmålet, fremfor å tildele et åpent prosjekt uten et fullføringsvilkår.
Det dokumenterte kontekstvinduet er én million tokener, med opptil 128,000 outputtokener ved vanlig generering. Resonneringstokener teller mot genereringsrammen, så resultatet trenger plass til både resonnering og synlig tekst. Grensen for pålitelig kunnskap er juni 2026; senere informasjon trenger oppgitt belegg eller et søkeverktøy. Anthropic dokumenterer separat en beta bare for batchbehandling som kan øke output til 300,000 tokener for denne utgaven. Den større rammen krever produsentens funksjon for utvidet output og er adskilt fra den vanlige grensen. En asynkron batch håndterer forespørsler uavhengig, noe som gjør den nyttig for samlinger av dokumenter eller poster der resultatene trengs etter behandling fremfor umiddelbart.
Adaptiv resonnering er aktivert som standard, og effort er hovedinnstillingen for resonneringsdybde. Nivåene er low, medium, high, xhigh og max, med medium som standard. Anthropic anbefaler medium for det meste av arbeidet, high for mer vedvarende oppgaver eller streng instruksjonsfølging og low for enklere, korte forespørsler. Resonnering kan deaktiveres ved low, medium eller high; deaktivering ved xhigh eller max avvises. En ledetekst som ber om et direkte svar erstatter ikke denne innstillingen. Manuelle budget_tokens-innstillinger fra Haiku 4.5 gjelder ikke for denne utgaven, og temperature, top_p og top_k bør utelates i det dokumenterte grensesnittet.
Haiku 5.5 bruker den nyere tokenizeren som ble introdusert i tidligere Claude-generasjoner, og Anthropic anslår at samme tekst kan bruke omtrent 30% flere tokener enn på Haiku 4.5, avhengig av innholdet. Den beholder også resonneringsblokker fra tidligere assistentrunder, så samtalestørrelsen kan vokse utover endringen i tokenizer alene. Den minste ledetekstlengden som kan mellomlagres er 512 tokener. Hold tidligere runder uendret når du beholder resonnering, og legg nye instruksjoner i den nyeste runden. Endring av effort på øverste nivå ugyldiggjør samtalens mellomlager for meldinger; produsenten dokumenterer en separat beta for endring av effort innenfor adaptive samtaler. Ingen av disse evnene fastslår at en bestemt forespørsel får et treff i mellomlageret.
For gjenfinning anbefaler modellens veiledning for ledetekster å oppgi gjeldende dato med søkeverktøyet og holde de opprinnelige system- og verktøydefinisjonene stabile. Oppgi en ny dato i den nyeste runden hvis samtalen fortsetter på en senere dag. Angi hva som må finnes og bevar de returnerte kildene før du ber om en konklusjon. En illustrerende oppgave kan for eksempel spørre etter dokumentert oppførsel i en bestemt programvareversjon, etterfulgt av en kort forklaring forankret i den innhentede passasjen. Applikasjonen leverer søkeverktøyet og returnerer de faktiske resultatene; modellens foreslåtte oppslag er ikke belegg for at oppslaget fant sted.
Når strukturert JSON-output kombineres med verktøy, dokumenterer veiledningen en bestemt samhandling: med resonnering deaktivert kan Haiku hoppe over et nødvendig verktøykall. Anthropic anbefaler adaptiv resonnering for slike forespørsler, eller å skille det endelige JSON-kravet fra verktøytrinnet. Definer outputfeltene og gjør det tydelig at det endelige svaret følger verktøyresultatene. En beskrivelse for datauthenting kan navngi påkrevde felter og hvordan manglende verdier skal representeres, mens en oppslagsbeskrivelse først kan be om belegget som trengs for å fylle dem. Les svarblokker etter type, siden svaret ikke trenger å være den første blokken og resonneringstekst utelates som standard.
For lengre agentledetekster bemerker Anthropic at low kan stoppe tidlig, hoppe over et søk eller utelate en kontroll. Veiledningen anbefaler eksplisitte fullføringsinstruksjoner og faktiske kontroller av kodeendringer før de rapporteres som ferdige. Forbered forventet resultat og belegget som ville demonstrere det: de utvalgte passasjene for en rapport, den endrede oppførselen for et kodeforslag eller feltene som er trukket ut fra et dokument. Veiledningen skiller også en brukers melding midt i oppgaven fra verktøyoutput: nye brukerinstruksjoner hører hjemme i en brukerrunde, mens returnert verktøybelegg fortsatt er separat.
Denne utgaven har sine egne beskyttelsestiltak og kan returnere et avslag for kategorier som omfatter skadelig kyberaktivitet, biologisk skade, utvikling av konkurrerende modeller eller andre forbudte bruksområder. Produsenten dokumenterer ikke reservebehandling på serversiden for Haiku 5.5. Veiledningen bemerker også at xhigh-innsats noen ganger kan avslutte et svar i en flerrundesamtale uten synlig svartekst, og at tekst som ligner resonnering kan forekomme oftere ved low eller med resonnering deaktivert. Dette er konkrete atferdstrekk å ta hensyn til når en arbeidsflyt krever et synlig, strukturert resultat. For vanlig uthentings- eller oppsummeringsarbeid bruker du en målrettet kilde, en definert output og et innsatsnivå som passer oppgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser ~anthropic/claude-haiku-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrevd | Verdier & grenser | Standard— |
Feltmessages[].role | Typestring | KravPåkrevd | Verdier & grenser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content-streng
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, messages, max_tokens |
Parameteroptional_controls | Avtalestream |
Parametermaterial_types | Avtaletext |
Parametertext_file_material | AvtaleLes det faktiske UTF-8-dokumentet og legg teksten i den angitte input- eller meldingsinnholdsstrengen. |
Livssyklus: synchronous_or_streamed
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Konteksttokener, mer enn | Konteksttokener, opptil og med | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Konteksttokener, mer enn— | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 1 for forespørselslengde | Prisplan— | Konteksttokener, mer enn0 | Konteksttokener, opptil og med100 000 | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.0004 / 1K tokener |
| KonfigurasjonNivå 2 for forespørselslengde | Prisplan— | Konteksttokener, mer enn100 000 | Konteksttokener, opptil og medIngen øvre grense | Kostnad Inndata · Inngående tokener $0.0002 / 1K tokener Utdata · Utgående tokener $0.001 / 1K tokener Inndata · Lesing fra hurtigbuffer $0.00002 / 1K tokener Inndata · Skriving til hurtigbuffer $0.00025 / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time $0.002 / 1K tokener |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
{\n "model": "~anthropic/claude-haiku-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Behold alle innholdsblokker, resonneringssignaturer og faktiske ID-er for verktøybruk. Sett sammen alle SSE-blokkendringer; den første tekstblokken er ikke hele resultatet.
Behold forespørsels-/svar-ID-er og headere. Ingen generell URL for henting av tekstjobber oppgis.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Bruk metodestiene som vises ovenfor.
Teknisk eksempel på engelsk
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.