Haiku 5.5 benchmark：分数该怎样用于创作选型

搜索 Haiku 5.5 benchmark，首先要看分数旁边的条件。知识工作评分、电脑操作成功率和有工具辅助的答题成绩，各自测的是不同能力，不能相加后排出一个通用冠军。

如果你要整理创作简报、缩短资料或写图片提示词，更有用的问题是：模型有没有保留产品材质、构图要求和禁止出现的元素？下面先列官方结果，再给一套可以自己复用的测试方法。Yix 没有为这篇文章实测 Haiku 5.5。

官方 Haiku 5.5 benchmarks 选读

数据来自 Anthropic 10 月 7 日发布说明。分享分数时，请一起保留测试条件。

这些发布方数据可以帮助你选择测试任务，不能直接换算成自己的工作成功率。OSWorld 的 72.4%，不保证每一百次浏览器操作能成功七十二次。

HLE 的两行尤其容易混淆。把有工具成绩与另一模型的无工具成绩比较，会同时比较模型和工具环境。测试集版本也要记录，否则前后两次分数未必对应同一批题目。

创作者该测什么

从自己最常修正的错误出发。摘要任务要看有没有遗漏关键事实；广告简报要看尺寸、受众和允许使用的宣传语；图片提示词要看物体、材质和光线有没有被改写。

提示词写错时，先修文字再生成图片。蓝色玻璃瓶被写成绿色塑料瓶，文字准备这一步已经失败；最后生成的图再漂亮，也没有完成原任务。

一套能复现的小测试

选十二份有权使用的真实简报：四份简单、四份限制较多、四份存在歧义。删除个人信息。测试前写出必需事实，以及遇到歧义时希望模型怎样处理，避免看完结果后临时改评分标准。

给两款模型相同输入、输出格式和工具权限。记录完整模型名、日期和 effort 设置。有预算时，每份简报跑两次，观察结果是否稳定；不要只挑最好的一次。

逐份检查必需事实有没有保留、是否增加了无依据内容，以及能否直接使用。都满足才算通过。另记耗时、实际费用和重试次数，比较每份合格结果的成本。

下面是一个原创测试简报，可以替换成自己的产品：

为 4:5 产品广告写一条图片提示词。主体是钴蓝色玻璃瓶，贴白色纸标签；放在浅色石台上，柔和窗光从左侧照入。标签保持空白，瓶子上方留出标题空间。不要出现人物、花朵或产品功效。分别输出提示词和必须保持不变的细节。

这条简报未在 Haiku 5.5 上实测。它用于发现材质被改写、装饰物被添加、标签出现文字或标题区被占满等常见问题。换主体时，也要同步修改验收清单。

便宜的是请求，还是合格结果

不要只比较单次费用。一款模型完成二十份简报，其中六份要重写；另一款单次更贵，却只需修一份。前者可能仍然划算，但需要把返工时间算进去。

保留所有重试费用，不要只统计最终成功的一次。模型编造了产品卖点，即使文笔很好，也应记为不合格。当前价格和使用入口请看 Anthropic Haiku 页面，估算时留意请求长度对应的计费条件。

接到实际图片工作

可以用 Yix 提示词生成器 把想法拆成主体、场景、镜头、光线和限制条件。它是 Yix 的提示词工具，打开页面不会选择 Haiku 5.5。保存同一份简报，再到自己选择的模型或服务中比较。

已有照片需要修改时，进入 图片编辑，写清一个目标变化和必须保留的细节。新产品场景可以参考 产品摄影提示词指南。文字是否符合简报与图片是否达到要求，应该分开验收。

常见问题

这些是 Yix 的独立基准吗？

不是。首个表格是发布方数据，测试清单与瓶子简报是本文提出的方法，未作为实测结果展示。

最高分就最适合我吗？

看自己任务的合格率。通用难题分数不能证明模型一定遵守品牌限制，也不能替代逐字核对必须保留的文本。

比较时要保存哪些信息？

保存输入、模型、日期、effort、工具、输出、修改记录和费用。缺少这些信息，很难复现结论。若想比较创作规划的成本，也可以看 6.1 Sol vs 6 Astra。