Claude Haiku 4.5: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#52 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.81 contra 9.06). Cuesta $7.80 por cada 1.000 llamadas.

Nota de calidad8.21/10#29 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$7.80el 24º más caro de 97

Al mes, uso típico$11.7050 llamadas por día, todos los días

Velocidad96 tok/s8.8 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~330 páginas a la vez ⛨ Cae ante instrucciones ocultas · 6.4/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.06 (-0.02 vs mediana)

Contenido 8.10 (-0.28 vs mediana)

Razonamiento 8.07 (+0.12 vs mediana)

Agentes 7.81 (+0.26 vs mediana)

Medido con 157 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.67. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

JSON estructurado (extracción, schemas) — 9.04 (+1.37 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.44 (+0.77 contra su media). Decide: leer datos de una imagen
Contenido genérico (blog, email, social) — 8.43 (+0.76 contra su media). Decide: escribir un texto correcto
Presentaciones (slides, reportes) — 8.42 (+0.75 contra su media). Decide: estructurar una presentación

Donde se cae

Resistencia a prompt injection — 6.07 (-1.60 contra su media). Decide: resistir una fuga de datos
Orquestación (flujos de varios pasos) — 6.50 (-1.17 contra su media). Decide: coordinar un flujo de varios pasos
Auditar números (detectar el error plantado) — 6.50 (-1.17 contra su media). Decide: encontrar el error en un número
Contenido con datos verificables (no inventar) — 6.56 (-1.11 contra su media). Decide: escribir sin caer en la trampa del brief

Si Claude Haiku 4.5 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Nex-N2-Mini Más barato, calidad equivalente	8.13	$0.158	17.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Claude Haiku 4.5 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	157
Tool calling	7.68
Resistencia a prompt injection	6.40
Precio
Precio por millón · entrada	$1.00
Precio por millón · salida	$5.00
Rendimiento y límites
Latencia total media	8.8 s
Ventana de contexto	200.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Claude Haiku 4.5 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Claude Haiku 4.5 Este modelo	8.21	$7.80
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 4% más y además es más barato: $0.930 contra $7.80. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 3% más (8.48 contra 8.21) y cuesta 5 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Claude Haiku 4.5 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	3.362	18.004	22.505 (piso)
Decisiones de negocio (prioridades. plan)	800	2.048	2.560
Generación de código (Python. SQL. debug)	1.858	2.048	2.560
Razonamiento profundo (matemática. Fermi)	833	2.048	2.560
Noticias + SEO (artículos completos)	1.255	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	1.834	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	1.192	2.048	2.560
JSON estructurado (extracción. schemas)	163	1.495	1.868
Ventas en frío (cold email. campañas)	619	1.487	1.858
OCR / extracción desde imágenes	580	1.391	1.738
Integridad de idioma (no mezclar idiomas)	860	1.351	1.688
Auditar números (detectar el error plantado)	613	1.341	1.676
Contenido genérico (blog. email. social)	918	1.201	1.501
Creatividad (hooks. analogías. narrativa)	624	1.159	1.448
Orquestación (flujos de varios pasos)	439	702	877
Multi-turno (debugging. requisitos)	378	680	850
Contenido con datos verificables (no inventar)	335	668	835
Anti-alucinación (citas. contexto)	274	563	703
Capacidades de agente (delegación. skills)	461	543	678
Traducción (es↔en)	129	509	636
Soporte al cliente (clasificar y responder)	150	467	583
No inventar herramientas (abstenerse cuando no hay)	133	427	533
Resúmenes y extracción de datos	392	392	490
Seguir instrucciones al pie de la letra	384	388	485
Tool calling (llamada de funciones)	163	272	340
Precisión literal (hex. JWT. configs)	56	224	280
Resistencia a prompt injection	123	200	250
Verificar un dato contra su fuente	79	116	145

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Claude Haiku 4.5

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Claude Haiku 4.5 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →