Claude Haiku 5.5 at ang Argumento para sa Maliliit na Modelo sa Marketing

Sinusukat ang bawat paglulunsad ng modelo laban sa pinakamalaking modelo sa silid. Sa tingin ko, maling lente iyan para sa karamihan ng trabaho sa marketing. Noong 7 Oktubre, inilabas ng Anthropic ang Claude Haiku 5.5, at ang kawili-wiling bahagi ay hindi kung gaano ito kalapit sa frontier. Ito ay kung magkano ang gastos upang patakbuhin ito nang isang milyong beses.

Ano ang nangyari

Tinatawag ng Anthropic ang Haiku 5.5 na ang pinakamura, pinakamabilis at pinakamahusay na maliit na modelong nailabas nito. Nakatuon ito sa high-volume at cost-sensitive na trabaho: mga buod, classification, database query, live na customer support, browser use at subagent work kasabay ng mas malalaking modelong Opus 5.5 at Sonnet 5.5. Ito ang unang Haiku-class na modelo na may naiaayos na effort setting, kaya maaaring ipagpalit ng mga user ang gastos at talino. Tahasang sinasabi ng Anthropic na nananatiling mas mahusay ang Sonnet 5.5 at Opus 5.5 para sa kumplikadong agentic coding.

Ang presyo ang headline. Para sa mga prompt na hanggang 100,000 token, nakalista ang Anthropic ng US$0.10 bawat milyong input token at US$0.50 bawat milyong output token, at sinasabing humigit-kumulang 75% na mas mura ang Haiku 5.5 kaysa sa Haiku 4.5 sa karaniwan. Kasama rin sa launch page ang mga ulat ng customer; halimbawa, sinasabi ng HubSpot na nakakuha ito ng 92.8% sa CRM evaluation suite nito. Mga numero ito ng kumpanya at ng mga customer nito, hindi mga independiyenteng test.

Bakit ito mahalaga

Volume business ang marketing AI. Ang isang campaign ay maaaring may libu-libong creative variant, sampu-sampung libong komentong ika-classify, mga product feed na may daan-daang libong row, at araw-araw na ulat sa dose-dosenang market. Halos wala sa mga iyon ang nangangailangan ng pinakamakapangyarihang modelong available. Kailangan nito ng modelong sapat ang husay, mabilis, predictable at sapat na mura upang patakbuhin sa lahat.

Kapag sabay na naging mas mahusay at mas mura ang maliit na modelo, nagbabago ang ekonomiya ng kung ano ang ina-automate mo. Ang mga gawaing masyadong mahal patakbuhin sa bawat item, gaya ng pag-tag sa bawat ad ng kakumpitensya o pagbubuod ng bawat customer review, ay nagiging karaniwan. At nagbabago ang arkitektura: nagpaplano at humuhusga ang isang malaking modelo, ginagawa ng maliliit na modelo ang paulit-ulit na trabaho sa ilalim. Ang sariling paglalarawan ng Anthropic sa Haiku bilang subagent ay eksaktong ganoong pattern.

Ang sinasabi ng aking pananaliksik

Matagal ko na itong iginigiit. Sa Forbes, itinanong ko kung mas mahusay ba ang mas malaki, at kalaunan ay inihambing ang mga LLM at maliliit na neural network sa marketing. Hindi nagbago ang sagot ko: mas hindi mahalaga ang laki ng modelo kaysa sa teknik at pagkakaangkop sa gawain.

Laging pinagsasama ng aming pananaliksik ang dalawang uri ng modelo sa halip na pumili ng isa. Sa SoCraft (WSDM 2023), nagpakita kami ng isang multimodal model na nagbibigay ng score sa mga Meta ad creative ng isang advertiser, gamit ang text, larawan, targeting at settings, bago ang launch. Sa Fusing Predictive and Large Language Models for Actionable Recommendations in Creative Marketing (ACM Transactions on Information Systems, 2025), pinagsama namin ang mga ad-performance prediction model at mga LLM, upang ang isang creative score ay maging rekomendasyong maaaring aksyunan ng marketer.

Ang aral mula sa gawaing iyon ay ang mga espesyalisado at episyenteng modelo ang sumusukat at ang mga large language model ang nagpapaliwanag. Hindi pinapalitan ng isang mas mura at mas may-kakayahang maliit na LLM ang espesyalisadong predictor. Ginagawa nitong abot-kaya ang explanation at orchestration layer sa saklaw kung saan talaga nangyayari ang marketing.

Paano ko gagamitin ang ganitong modelo

• Classification nang buong saklaw. I-tag ang bawat post ng kakumpitensya, bawat review, bawat ad sa iyong kategorya ayon sa tema, alok at format, sa halip na mag-sample.
• Mga unang buod. Gawing maiikling digest ang mahahabang ulat, transcript at comment thread na susuriin ng isang tao, o ng mas malaking modelo.
• Mga subagent sa isang pipeline. Hayaang magplano ang mas malaking modelo ng competitor analysis at ipasa ang paulit-ulit na mga hakbang ng extraction sa maliit na modelo.
• Bilis para sa customer. Gamitin ang mabilis na modelo kung saan mahalaga ang latency, gaya ng live chat, at i-route ang mahihirap na kaso sa mas malakas na modelo o sa tao.

Ang dapat suriin ng mga marketer bago lumipat

• Patakbuhin ang sarili mong evaluation. Hindi mo gawain ang mga vendor benchmark. Kumuha ng 200 totoong halimbawa mula sa iyong trabaho, lagyan ng label, at ihambing ang mga modelo sa set na iyon.
• Bantayan ang gastos bawat gawain, hindi ang gastos bawat token. Binanggit ng Anthropic na gumagamit ang Haiku 5.5 ng bagong tokenizer at bahagyang mas maraming token bawat gawain. Nakasalalay ang bayarin sa buong workflow.
• Gamitin nang sadya ang effort setting. Gawing default ang mababang effort para sa simpleng pag-tag at itaas lamang ito kung saan ipinapakita ng iyong evaluation na may pakinabang sa kalidad.
• Panatilihin ang mga espesyalisadong modelo kung saan mas mahusay sila. Kung mayroon ka nang modelong sinanay sa sarili mong performance data, dapat ipaliwanag ng LLM ang output nito, hindi palitan ito.

Ang frontier ang nakakakuha ng mga headline. Nasa maliit na modelo ang karamihan ng trabaho, at karamihan ng matitipid.

FAQ