43 分。这个分数要是挂在旗舰模型名下，基本等于不及格；可它现在写在 Claude Haiku 5.5 的评测报告里，性质就完全不同了。Artificial Analysis 的智能指数给这款小模型打出 43 分，比一年前的上一代 Haiku 高出 26 分。一年，26 分——放在任何一家模型厂商的产品谱系里，这都是一个不太讲道理的加速度。
43 分，到底是个什么概念
一年 26 分，这个斜率不对劲
过去几年，我们对小模型的进步速度是有心理预期的：大模型先吃一轮红利，小模型跟在后面捡升级，一年挪个几分就算交差。26 分直接把这个惯性打断了。它意味着上一代 Haiku 还趴在十几分的区间里，只能做分类、打标签、当路由阀门，连稍微复杂点的多步任务都撑不住。而这一代已经站到了一个能独立完成工作流的档位。
驱动力并不神秘。大模型训练中验证过的方法，正在被成体系地往小尺寸上搬；强化学习后训练的成本降得比想象中快；蒸馏管线也成熟了。真正的问题不是"为什么涨"，而是"这个斜率还能维持多久"。
这个指数不完美，但它盯着一件真事
Artificial Analysis 的智能指数是个复合指标，把推理、数学、代码、智能体任务等一堆测试揉成一个数。揉合就一定有失真：任务权重的选择、训练数据的污染边界、不同能力之间的相互抵消，都会让最终那个数字偏离直觉。拿它当唯一裁判，是偷懒。
但它至少回答了一个没法回避的问题：这个模型能不能把一件多步骤的事情做完。单项测试可以靠记忆和模式匹配糊弄过去，跨任务的复合评测很难。一个拿到 43 分的模型，意味着它在相当一部分场景下可以独立跑完流程，而不是只能返回一句"我建议你……"。
小模型的及格线，被整体抬高了
分数本身不产生价值，分数的位移才产生价值。当小尺寸模型的能力上限往上顶了一截，产品经理心里的那条"够用线"就跟着上移。以前必须调用贵模型才敢做的功能——多轮工具调用、长文档结构化抽取、代码库级别的简单修改——现在放进便宜档位也敢试了。
这带来的不是某个功能的优化，而是一整批产品设计的重新开闸。原来被成本劝退的想法，忽然又回到了桌面上。
Haiku 这条线的尴尬与野心
从廉价替补，到要上场打主力
Haiku 这个名字一开始的定位非常清楚：便宜、快，用来兜住那些不值得动用大模型的琐碎请求。它在架构里像是一个缓冲垫，存在的意义是省钱，不是出彩。
现在这套叙事撑不住了。当小模型的智能指数逼近两年前的旗舰水平，它还甘心当缓冲垫吗？Anthropic 把这代 Haiku 的能力往前推这么猛，图的不只是跑分好看，而是让它在真实采购决策里，从"备选项"变成"默认项"。
Anthropic 为什么非要死磕小尺寸
因为真正跑量的地方，都在乎单位成本。企业级部署里，推理开销才是那条持续出血的口子，训练是一次性的，推理是每天每夜都在烧。一个价格低一个数量级、能力达到旗舰八成的小模型，能吃掉绝大多数调用量。
还有一层压力来自开源权重模型。它们在中小尺寸上追得很凶，价格几乎贴着硬件成本走。闭源厂商如果在这个档位交出空白，等于把最肥的那块市场让出去。Haiku 5.5 的 26 分跃升，本质上是防御动作，也是进攻动作。
谁在为这 26 分买单
成本曲线被压到了哪里
智能提升和价格下降同时发生，效果是叠加的，不是相加的。同样一个智能体任务，上一代小模型可能要跑三轮才敢确认结果，这一代一轮就够。调用次数少了，token 消耗降了，延迟也跟着缩。真正的成本节省从来不写在价目表上，它藏在"少绕的那几圈"里。
更关键的是缓存和批处理的成熟。当一个便宜模型的行为足够稳定，请求就可以被大胆地合并、复用、缓存，边际成本继续往下探。这条曲线的底部，比任何单点报价都重要。
换模型这件事，从来不是点一下按钮
开发者不会因为跑分涨了就迁移。提示词要重调，评测集要重跑，失败模式要重新摸一遍，线上灰度要重新设计。这套摩擦成本是真实存在的，而且经常比省下来的钱还贵。
所以决定迁移的往往不是分数，而是另外两件事：接口是否完全兼容，以及行为漂移是否可控。前者省时间，后者省命。一个在小模型上做对这两点的厂商，才有资格谈"默认选项"。
推理侧的生意的重心在挪
基础设施层面同样在变。过去大家比谁能把最大的模型服务好，现在比谁能在同一张卡上塞进更多并发的小模型请求。投机解码这类技术里，小模型扮演的是草稿角色——它越快越准，大模型被唤起的次数就越少。小模型的能力上限，直接决定了整个推理系统的吞吐效率。
小模型竞赛，三条不同的路
最省事的一条：蒸馏
让大模型当老师，把输出、偏好、推理轨迹喂给小的。这条路见效最快，也最容易被复制。它的天花板同样明显：学生很难超过老师，而且会继承老师的偏见和盲区。用蒸馏刷出来的分数，在分布外的任务上往往会掉得很难看。
第二条路藏在训练配方里
同一套架构，换个数据配比、换个学习率调度、换一套后训练策略，结果能差出一大截。这部分的进展很少被公开讨论，因为它既不好讲故事，也不好写论文，但它贡献的分数可能比架构创新还多。26 分里有多少来自这里，外界基本猜不到。
第三条路，没人愿意细讲
数据。清洗、去重、配比、合成、难度筛选——这些活儿脏、累、不可复用，也最难被竞争对手抄走。小模型对数据质量的敏感度远高于大模型，因为它的参数容量没有冗余去消化噪声。谁在这条路上沉得住气，谁的小模型就更耐打。
分数之外，真正该盯的几件事
评测覆盖不到的那片区域
所有榜单都测不了长尾。真实业务里的输入是脏的、任务是模糊的、需求是随时改的。一个模型在受控任务上拿 43 分，不代表它在你的场景里也能稳定发挥。上线前用自己的一百条真实 case 跑一遍，比看任何指数都管用。
延迟和稳定性，这些不上榜的东西
指数不测首字延迟，不测高峰期抖动，不测限流策略。可这些恰恰决定了用户体验。一个聪明但偶尔卡顿三十秒的模型，在客服场景里是灾难；一个稍笨但每次都在八百毫秒内回来的模型，能赢得整个团队。
稳定性还包括行为一致性。同一个提示词跑十次，输出结构是否会飘，格式是否会崩，工具调用参数是否合法。这类指标没人排名，但它们是能不能上生产的分水岭。
接下来一年，看什么
第一，看这个加速度能不能延续。如果小模型再涨 20 分，很多现在必须上旗舰的场景会被整片替换掉。第二，看定价策略会不会跟着动——能力上去了，价格如果不动，性价比就直接重估。第三，看开源权重阵营在同一个档位怎么应招。那才是真正决定市场格局的变量。
43 分不是终点，它更像一声发令枪。真正精彩的部分，从模型走出评测室才开始。
