Claude Haiku 5.5 dan Hujah untuk Model Kecil dalam Pemasaran

Setiap pelancaran model diukur berbanding model terbesar yang ada. Saya rasa itu lensa yang salah bagi kebanyakan kerja pemasaran. Pada 7 Oktober Anthropic mengeluarkan Claude Haiku 5.5, dan bahagian yang menarik bukanlah sejauh mana ia menghampiri barisan hadapan. Ia ialah kos untuk menjalankannya sejuta kali.

Apa yang berlaku

Anthropic menyifatkan Haiku 5.5 sebagai model kecil paling murah, paling pantas dan paling berkebolehan yang pernah dikeluarkannya. Ia ditujukan untuk kerja berjumlah tinggi yang sensitif kos: ringkasan, pengelasan, pertanyaan pangkalan data, sokongan pelanggan secara langsung, penggunaan pelayar dan kerja subejen di samping model Opus 5.5 dan Sonnet 5.5 yang lebih besar. Ia model kelas Haiku pertama dengan tetapan usaha boleh laras, jadi pengguna boleh menukar ganti kos dengan kecerdasan. Anthropic menyatakan dengan jelas bahawa Sonnet 5.5 dan Opus 5.5 kekal lebih baik untuk pengekodan agentik yang kompleks.

Harganya ialah tajuk utama. Bagi prompt sehingga 100,000 token, Anthropic menyenaraikan US$0.10 bagi sejuta token input dan US$0.50 bagi sejuta token output, dan menyatakan Haiku 5.5 berharga kira-kira 75% lebih rendah daripada Haiku 4.5 secara purata. Halaman pelancaran itu juga memasukkan laporan pelanggan; HubSpot, sebagai contoh, menyatakan ia mendapat skor 92.8% pada suite penilaian CRMnya. Itu ialah angka syarikat dan pelanggannya, bukan ujian bebas.

Mengapa ia penting

AI pemasaran ialah perniagaan volum. Satu kempen boleh melibatkan beribu-ribu varian kreatif, berpuluh ribu komen untuk dikelaskan, suapan produk dengan ratusan ribu baris, dan laporan harian merentas berpuluh pasaran. Hampir tiada satu pun daripadanya memerlukan model paling berkuasa yang ada. Ia memerlukan model yang cukup baik, pantas, boleh dijangka dan cukup murah untuk dijalankan pada segala-galanya.

Apabila model kecil menjadi jauh lebih baik dan jauh lebih murah pada masa yang sama, ekonomi tentang apa yang anda automasikan berubah. Tugas yang terlalu mahal untuk dijalankan pada setiap item, seperti menandakan setiap iklan pesaing atau meringkaskan setiap ulasan pelanggan, menjadi rutin. Dan seni binanya berubah: model besar merancang dan menilai, model kecil melakukan kerja berulang di bawahnya. Penerangan Anthropic sendiri tentang Haiku sebagai subejen ialah corak itu.

Apa kata penyelidikan saya

Saya telah menghujahkan perkara ini sejak sekian lama. Di Forbes saya bertanya sama ada lebih besar itu lebih baik, dan kemudian membandingkan LLM dan rangkaian neural kecil dalam pemasaran. Jawapan saya tidak berubah: saiz model jauh kurang penting berbanding teknik dan kesesuaian untuk tugas itu.

Penyelidikan kami sentiasa menggabungkan kedua-dua jenis model dan bukannya memilih satu. Dalam SoCraft (WSDM 2023) kami mendemonstrasikan model multimodal yang memberi skor kepada kreatif iklan Meta pengiklan, menggunakan teks, imej, penyasaran dan tetapan, sebelum pelancaran. Dalam Fusing Predictive and Large Language Models for Actionable Recommendations in Creative Marketing (ACM Transactions on Information Systems, 2025) kami menggandingkan model ramalan prestasi iklan dengan LLM, supaya skor kreatif menjadi cadangan yang boleh diambil tindakan oleh pemasar.

Pengajaran daripada kerja itu ialah model khusus yang cekap melakukan pengukuran dan model bahasa besar melakukan penjelasan. LLM kecil yang lebih murah dan lebih berkebolehan tidak menggantikan peramal khusus. Ia menjadikan lapisan penjelasan dan orkestrasi mampu dilaksanakan pada skala di mana pemasaran sebenarnya berlaku.

Bagaimana saya akan menggunakan model seperti ini

• Pengelasan dengan liputan penuh. Tandakan setiap hantaran pesaing, setiap ulasan, setiap iklan dalam kategori anda mengikut tema, tawaran dan format, dan bukannya mengambil sampel.
• Ringkasan peringkat pertama. Tukar laporan panjang, transkrip dan bebenang komen menjadi ringkasan pendek yang disemak oleh manusia, atau model yang lebih besar.
• Subejen dalam saluran paip. Biarkan model yang lebih besar merancang analisis pesaing dan menyerahkan langkah pengekstrakan berulang kepada model kecil.
• Kelajuan berhadapan pelanggan. Gunakan model pantas di mana kependaman penting, seperti sembang langsung, dan halakan kes sukar kepada model yang lebih kuat atau manusia.

Apa yang perlu disemak pemasar sebelum bertukar

• Jalankan penilaian anda sendiri. Penanda aras vendor bukanlah tugas anda. Ambil 200 contoh sebenar daripada kerja anda, labelkannya, dan bandingkan model pada set itu.
• Perhatikan kos bagi setiap tugas, bukan kos bagi setiap token. Anthropic mencatat bahawa Haiku 5.5 menggunakan tokenizer baharu dan sedikit lebih banyak token bagi setiap tugas. Bilnya bergantung pada keseluruhan aliran kerja.
• Gunakan tetapan usaha dengan sengaja. Tetapkan usaha rendah secara lalai untuk penandaan mudah dan naikkan hanya di mana penilaian anda menunjukkan peningkatan kualiti.
• Kekalkan model khusus di mana ia lebih baik. Jika anda sudah mempunyai model yang dilatih pada data prestasi anda sendiri, LLM sepatutnya menjelaskan outputnya, bukan menggantikannya.

Barisan hadapan mendapat tajuk utama. Model kecil ialah tempat kebanyakan kerja, dan kebanyakan penjimatan, akan berlaku.

Soalan Lazim