Claude Haiku 5.5: para qué sirve de verdad (benchmark en español)

Donde mejor rinde es Coding (#68 de 115 entre los que rinden el examen completo), y donde menos rinde es Agentes (6.91 contra 9.05). Está en el tercio más barato del ranking: $0.780 por cada 1.000 llamadas.

Nota de calidad7.85/10#98 de 115 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$0.780más barato que 85 de 115

Al mes, uso típico$1.1750 llamadas por día, todos los días

Velocidad169 tok/s11.9 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~1.700 páginas a la vez ⛨ Cae ante instrucciones ocultas · 6.0/10

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 9.05 (-0.04 vs mediana)

Contenido 8.18 (-0.29 vs mediana)

Razonamiento 8.03 (+0.03 vs mediana)

Agentes 6.91 (-0.79 vs mediana)

Medido con 143 runs que puntúan, juez Phi-4 local · actualizado 2026-10-11 · datos abiertos

Qué hace bien y qué no

Su media entre las 35 tareas medidas es 7.68. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Encontrar el sitio oficial de una empresa — 9.28 (+1.60 contra su media). Decide: elegir el dominio real, o abstenerse
JSON estructurado (extracción, schemas) — 9.25 (+1.57 contra su media). Decide: emitir JSON válido a la primera
Precisión literal (hex, JWT, configs) — 9.12 (+1.44 contra su media). Decide: no equivocarse en un dato
Contenido con datos verificables (no inventar) — 9.08 (+1.40 contra su media). Decide: escribir sin caer en la trampa del brief

Donde se cae

Noticias + SEO (artículos completos) — 6.21 (-1.47 contra su media). Decide: escribir un artículo publicable
Orquestación (flujos de varios pasos) — 6.23 (-1.45 contra su media). Decide: coordinar un flujo de varios pasos
Generación de código (Python, SQL, debug) — 6.28 (-1.40 contra su media). Decide: escribir código que corre
Resistencia a prompt injection — 6.31 (-1.37 contra su media). Decide: resistir una fuga de datos

Si Claude Haiku 5.5 no te cierra

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

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash VL Más barato, calidad equivalente	8.33	$0.099	20.6 s	misma nota o mejor, menos plata por llamada
Qwen 3.8 Flash Mejor nota, precio parecido	8.53	$0.750	64.8 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 5.5 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	143
Tool calling	7.62
Resistencia a prompt injection	5.95
Precio
Precio por millón · entrada	$0.100
Precio por millón · salida	$0.500
Rendimiento y límites
Latencia total media	11.9 s
Ventana de contexto	1.000.000
Contexto útil medido	512.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Claude Haiku 5.5 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 5.5 Este modelo	7.85	$0.780
Qwen 3.8 Flash El de más calidad medida	8.53	$0.750
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

Qwen 3.8 Flash (el techo medido) rinde 9% más a un precio parecido ($0.750 contra $0.780).
Claude Opus 4.8 (el caro que todos conocen) rinde 8% más (8.48 contra 7.85) y cuesta 50 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 5.5 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)	8.286	14.862	18.577 (piso)
Contenido startup (newsletter. actualidad)	3.110	9.715	12.143 (piso)
Razonamiento profundo (matemática. Fermi)	3.449	7.529	9.411
Gestión de tareas (action items. planes)	3.749	7.165	8.956
Noticias + SEO (artículos completos)	2.963	6.761	8.451
Estrategia (pricing. planificación)	4.650	6.137	7.671
Creatividad (hooks. analogías. narrativa)	3.995	6.127	7.658
Decisiones de negocio (prioridades. plan)	2.599	6.049	7.561
Razonamiento general (lógica. decisiones)	4.411	5.843	7.303
Generación de código (Python. SQL. debug)	2.654	5.385	6.731
Presentaciones (slides. reportes)	5.222	5.222	6.527
Ventas en frío (cold email. campañas)	1.686	3.475	4.343
OCR / extracción desde imágenes	1.400	3.238	4.047
Auditar números (detectar el error plantado)	1.914	3.051	3.813
Integridad de idioma (no mezclar idiomas)	2.672	2.925	3.656
Traducción (es↔en)	200	2.469	3.086
Contenido con datos verificables (no inventar)	1.280	2.450	3.062
Verificar VARIOS datos de una vez (lote)	1.424	2.403	3.003
Multi-turno (debugging. requisitos)	1.909	2.286	2.857
Anti-alucinación (citas. contexto)	640	1.913	2.391
Contenido genérico (blog. email. social)	1.159	1.869	2.336
Resúmenes y extracción de datos	1.383	1.383	1.728
Capacidades de agente (delegación. skills)	568	1.303	1.628
JSON estructurado (extracción. schemas)	137	1.208	1.510
No inventar herramientas (abstenerse cuando no hay)	213	1.076	1.345
Verificar un dato contra su fuente	250	927	1.158
Seguir instrucciones al pie de la letra	733	771	963
Orquestación (flujos de varios pasos)	533	703	878
Resistencia a prompt injection	439	645	806
Extraer los datos verificables de un texto	412	612	765
Encontrar el sitio oficial de una empresa	128	591	738
Soporte al cliente (clasificar y responder)	357	434	542
Precisión literal (hex. JWT. configs)	62	363	453
Tool calling (llamada de funciones)	315	322	402
Aguja en el pajar (contexto largo en español)	154	317	396

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 5.5

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 5.5 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →