Claude Haiku 5.5 และเหตุผลที่โมเดลเล็กสำคัญต่อการตลาด

การเปิดตัวโมเดลทุกครั้งถูกวัดเทียบกับโมเดลที่ใหญ่ที่สุดในห้อง ผมคิดว่านั่นเป็นมุมมองที่ผิดสำหรับงานการตลาดส่วนใหญ่ เมื่อวันที่ 7 ตุลาคม Anthropic เปิดตัว Claude Haiku 5.5 และส่วนที่น่าสนใจไม่ใช่ว่ามันใกล้แนวหน้าแค่ไหน แต่คือต้นทุนในการรันมันหนึ่งล้านครั้ง

เกิดอะไรขึ้น

Anthropic เรียก Haiku 5.5 ว่าเป็นโมเดลขนาดเล็กที่ถูกที่สุด เร็วที่สุด และมีความสามารถมากที่สุดเท่าที่บริษัทเคยเปิดตัว มุ่งเป้าไปที่งานปริมาณมากที่คำนึงถึงต้นทุน: การสรุป การจัดหมวดหมู่ การสืบค้นฐานข้อมูล การบริการลูกค้าแบบสด การใช้เบราว์เซอร์ และงานแบบ subagent ควบคู่กับโมเดล Opus 5.5 และ Sonnet 5.5 ที่ใหญ่กว่า เป็นโมเดลระดับ Haiku ตัวแรกที่มีการตั้งค่าระดับความพยายามที่ปรับได้ ผู้ใช้จึงชั่งต้นทุนกับความฉลาดได้ Anthropic ระบุชัดเจนว่า Sonnet 5.5 และ Opus 5.5 ยังดีกว่าสำหรับการเขียนโค้ดแบบเอเจนต์ที่ซับซ้อน

ราคาคือพาดหัว สำหรับพรอมต์ไม่เกิน 100,000 โทเค็น Anthropic กำหนดราคา US$0.10 ต่อล้านโทเค็นอินพุต และ US$0.50 ต่อล้านโทเค็นเอาต์พุต และระบุว่า Haiku 5.5 มีต้นทุนต่ำกว่า Haiku 4.5 ประมาณ 75% โดยเฉลี่ย หน้าเปิดตัวยังมีรายงานจากลูกค้า เช่น HubSpot ระบุว่าได้คะแนน 92.8% ในชุดประเมิน CRM ของตน ตัวเลขเหล่านี้เป็นของบริษัทและลูกค้า ไม่ใช่การทดสอบอิสระ

ทำไมเรื่องนี้จึงสำคัญ

AI เพื่อการตลาดเป็นธุรกิจเชิงปริมาณ แคมเปญเดียวอาจมีครีเอทีฟหลายพันเวอร์ชัน ความคิดเห็นหลายหมื่นรายการที่ต้องจัดหมวดหมู่ ฟีดสินค้าหลายแสนแถว และรายงานรายวันในหลายสิบตลาด แทบไม่มีงานใดในนั้นที่ต้องใช้โมเดลที่ทรงพลังที่สุด แต่ต้องการโมเดลที่ดีพอ เร็ว คาดเดาได้ และถูกพอที่จะรันกับทุกอย่าง

เมื่อโมเดลเล็กดีขึ้นมากและถูกลงมากในเวลาเดียวกัน เศรษฐศาสตร์ของสิ่งที่คุณทำอัตโนมัติก็เปลี่ยนไป งานที่เคยแพงเกินกว่าจะรันกับทุกรายการ เช่น การติดแท็กโฆษณาของคู่แข่งทุกชิ้น หรือการสรุปรีวิวลูกค้าทุกรายการ กลายเป็นงานประจำ และสถาปัตยกรรมก็เปลี่ยน: โมเดลใหญ่วางแผนและตัดสิน โมเดลเล็กทำงานซ้ำ ๆ อยู่เบื้องล่าง คำอธิบายของ Anthropic เองที่ให้ Haiku เป็น subagent คือรูปแบบนั้นพอดี

งานวิจัยของผมบอกอะไร

ผมเสนอเรื่องนี้มานานแล้ว ใน Forbes ผมตั้งคำถามว่าใหญ่กว่าดีกว่าหรือไม่ และต่อมาได้เปรียบเทียบLLM กับโครงข่ายประสาทเทียมขนาดเล็กในการตลาด คำตอบของผมไม่เปลี่ยน: ขนาดของโมเดลสำคัญน้อยกว่าเทคนิคและความเหมาะสมกับงานมาก

งานวิจัยของเราผสานโมเดลทั้งสองแบบเข้าด้วยกันเสมอแทนที่จะเลือกอย่างใดอย่างหนึ่ง ใน SoCraft (WSDM 2023) เราสาธิตโมเดลมัลติโมดัลที่ให้คะแนนครีเอทีฟโฆษณา Meta ของผู้ลงโฆษณาก่อนเปิดตัว โดยใช้ข้อความ รูปภาพ การกำหนดเป้าหมาย และการตั้งค่า ใน Fusing Predictive and Large Language Models for Actionable Recommendations in Creative Marketing (ACM Transactions on Information Systems, 2025) เราจับคู่โมเดลคาดการณ์ประสิทธิภาพโฆษณาเข้ากับ LLM เพื่อให้คะแนนครีเอทีฟกลายเป็นคำแนะนำที่นักการตลาดนำไปปฏิบัติได้

บทเรียนจากงานนั้นคือ โมเดลเฉพาะทางที่มีประสิทธิภาพทำหน้าที่วัด และโมเดลภาษาขนาดใหญ่ทำหน้าที่อธิบาย LLM ขนาดเล็กที่ถูกกว่าและเก่งกว่าไม่ได้มาแทนที่ตัวคาดการณ์เฉพาะทาง แต่ทำให้ชั้นการอธิบายและการประสานงานมีต้นทุนที่จ่ายได้ในระดับที่การตลาดเกิดขึ้นจริง

ผมจะใช้โมเดลแบบนี้อย่างไร

• จัดหมวดหมู่แบบครอบคลุมทั้งหมด ติดแท็กโพสต์คู่แข่งทุกโพสต์ รีวิวทุกรายการ โฆษณาทุกชิ้นในหมวดหมู่ของคุณตามธีม ข้อเสนอ และรูปแบบ แทนการสุ่มตัวอย่าง
• สรุปรอบแรก เปลี่ยนรายงานยาว ๆ บทถอดความ และเธรดความคิดเห็นให้เป็นสรุปสั้น ๆ ที่คนหรือโมเดลที่ใหญ่กว่าตรวจทาน
• Subagent ในไปป์ไลน์ ให้โมเดลที่ใหญ่กว่าวางแผนการวิเคราะห์คู่แข่ง แล้วส่งขั้นตอนการดึงข้อมูลซ้ำ ๆ ให้โมเดลเล็ก
• ความเร็วในการให้บริการลูกค้า ใช้โมเดลที่เร็วในจุดที่ความหน่วงสำคัญ เช่น แชตสด และส่งกรณียากไปยังโมเดลที่แข็งแกร่งกว่าหรือมนุษย์

สิ่งที่นักการตลาดควรตรวจสอบก่อนเปลี่ยน

• ทำการประเมินของคุณเอง เบนช์มาร์กของผู้ขายไม่ใช่งานของคุณ นำตัวอย่างจริง 200 รายการจากงานของคุณมาติดป้ายกำกับ และเปรียบเทียบโมเดลกับชุดข้อมูลนั้น
• ดูต้นทุนต่องาน ไม่ใช่ต้นทุนต่อโทเค็น Anthropic ระบุว่า Haiku 5.5 ใช้ tokenizer ใหม่และใช้โทเค็นต่องานมากขึ้นเล็กน้อย ค่าใช้จ่ายขึ้นอยู่กับเวิร์กโฟลว์ทั้งหมด
• ใช้การตั้งค่าระดับความพยายามอย่างตั้งใจ ตั้งค่าเริ่มต้นเป็นระดับต่ำสำหรับการติดแท็กง่าย ๆ และเพิ่มเฉพาะในจุดที่การประเมินของคุณแสดงว่าคุณภาพดีขึ้น
• เก็บโมเดลเฉพาะทางไว้ในจุดที่มันดีกว่า หากคุณมีโมเดลที่ฝึกด้วยข้อมูลประสิทธิภาพของคุณเองอยู่แล้ว LLM ควรอธิบายผลลัพธ์ของมัน ไม่ใช่แทนที่มัน

แนวหน้าได้พาดหัวข่าว แต่โมเดลเล็กคือที่ที่งานส่วนใหญ่และการประหยัดส่วนใหญ่จะเกิดขึ้น

คำถามที่พบบ่อย