Claude Haiku 5.5

Анонс + System Card, таблица 8.1.A / §8.10.3. Elo AA-Briefcase v1.1 (max_score 3000) на максимальном усилии. Независимая оценка Artificial Analysis. На среднем усилии (значение API по умолчанию): 1372 Elo. • данные разработчика

System Card §8.9.2. BenchCAD Vision2Code, подмножество 1k; voxel IoU 0.670 Без инструментов; адаптивное мышление при максимальном усилии; усреднение по пяти запускам. • данные разработчика

System Card §8.9.2. BenchCAD Vision2Code, подмножество 1k; voxel IoU 0.870 С инструментами (контейнер с файлами изображений и стандартными библиотеками, а также инструмент обрезки изображений, не специализированный Python CAD-инструмент); адаптивное мышление при максимальном усилии; усреднение по пяти запускам. Оставлен на существующем идентификаторе каталога BenchCAD с инструментами (называется python-tool); более близкого идентификатора нет. • данные разработчика

System Card, §8.13.5. Анализ биомедицинских изображений 43.5%; 1 попытка на задачу; адаптивное мышление при максимальном усилии. • данные разработчика

System Card §8.9.1. Chartography С инструментами 86.2%; адаптивное мышление при максимальном усилии; контейнер с файлом изображения, стандартными библиотеками и инструментом обрезки изображений. • данные разработчика

Анонс + System Card §8.9.1. Chartography без инструментов 46.4%; адаптивное мышление на максимальном усилии. • данные разработчика

Анонс + System Card, таблица 8.1.A / §8.3. FrontierCode v1.1 Main на максимальном усилии 46.4% (лучший результат Haiku 5.5 по усилию). Расширенный вариант 58.4% хранится отдельно. • данные разработчика

System Card §8.3. FrontierCode v1.1 Extended при максимальном усилии 58.4%. • данные разработчика

System Card §8.6. FrontierSWE v2; обвязка Proximal; максимальное усилие; 5 попыток на задачу; среднее по попыткам. • данные разработчика

Анонс + System Card, таблица 8.1.A / §8.10.2. Elo GDPval-AA v2.1 (max_score 3000) на максимальном усилии. Независимая оценка Artificial Analysis. На среднем усилии (значение API по умолчанию): 1277 Elo. • данные разработчика

System Card, §8.12.1. GMMLU: средняя точность 87.8% по 42 языкам; адаптивное мышление при максимальном усилии; одна попытка; без инструментов. • данные разработчика

System Card, §8.11.3. HealthBench: скорректированный по длине результат 61.6% при максимальном усилии. Адаптивное мышление при максимальном усилии. Сырой результат HealthBench при максимальном усилии явно не указан в тексте карточки. • данные разработчика

System Card, таблица 8.1.A / §8.11.3. HealthBench Professional: скорректированный по длине балл 64.8% при максимальном усилии. Сырой результат 71.0% сохранён отдельно как healthbench-professional-raw. Адаптивное мышление при максимальном усилии. • данные разработчика

System Card, §8.11.3. HealthBench Professional: сырой результат (до корректировки по длине) 71.0% при максимальном усилии. Скорректированный по длине результат 64.8% сохранён как healthbench-professional. • данные разработчика

Анонс + System Card, таблица 8.1.A / §8.8.1. HLE без инструментов; system card рассматривает HLE как мультимодальный и не указывает текстовое подмножество. Адаптивное мышление на максимальном усилии. Оставлено в единственном существующем каталожном ID для HLE без инструментов (историческое название для текстового варианта); отдельного мультимодального ID без инструментов не существует. • данные разработчика

Анонс + System Card, таблица 8.1.A / §8.8.1. HLE с инструментами (веб-поиск, загрузка веб-страниц, программный вызов инструментов, выполнение кода); адаптивное мышление на максимальном усилии. • данные разработчика

System Card, §8.13.1. LatchBio SingleCellBench 56.2%; адаптивное мышление при максимальном усилии; инструменты bash/file. Защитные механизмы по биологии отключены для этой оценки возможностей. • данные разработчика

System Card, §8.13.1. LatchBio SpatialBench Verified 67.7%; адаптивное мышление при максимальном усилии; инструменты bash/file. Защитные механизмы по биологии отключены для этой оценки возможностей. • данные разработчика

System Card, §8.13.3. Medicinal Chemistry ADME 58.0% (504 вопроса); адаптивное мышление при максимальном усилии. • данные разработчика

System Card, §8.12.2. MILU: средняя точность 87.6% по 11 языкам; адаптивное мышление при максимальном усилии; усреднено по 5 попыткам; без инструментов. • данные разработчика

System Card, §8.13.2. Axiom Bio, сопоставление «морфология–молекула» 25.4%; адаптивное мышление при максимальном усилии. • данные разработчика

System Card, §8.10.1. Полный набор OfficeQA; максимальное усилие; агентная обвязка с документами в виде извлечённого текста (среднее по пяти запускам). • данные разработчика

System Card, §8.10.1. OfficeQA Pro (подмножество из 133 вопросов); максимальное усилие (среднее по пяти запускам). • данные разработчика

Анонс + System Card, таблица 8.1.A / §8.9.3. Оффлайн-подмножество OSWorld 2.1 (82 из 108 задач, без интернета) с частичным зачётом 72.4% (Pass@1, среднее по 5 прогонам) на максимальном усилии. • данные разработчика

System Card §8.9.3. OSWorld 2.1, офлайн-подмножество, строгая доля прохождения 37.1% (выполнены все контрольные точки; Pass@1, среднее по 5 запускам) при максимальном усилии. • данные разработчика

System Card, §8.11.2. PhysicianBench: 100 задач врача с EHR; доля успешных решений 43.0% при максимальном усилии (пять попыток на задачу). Классификаторы безопасности включены. • данные разработчика

System Card §8.7.1. ProgramBench, 166 задач; харнесс mini-swe-agent; без ограничения в 6 часов; доля пройденных скрытых тестов по тестам, которые проходит эталонный бинарный файл. • данные разработчика

System Card, §8.13.4. Protein Design Library Ranking 45.3%; 3 попытки на задачу; адаптивное мышление при максимальном усилии. • данные разработчика

System Card, §8.13.4. Protein Design Sequence Generation 33.1%; 1 попытка на задачу; адаптивное мышление при максимальном усилии. • данные разработчика

System Card §8.13.6. Protocols Troubleshooting 58.0%; адаптивное мышление при максимальном усилии. • данные разработчика

System Card §8.13.6. Protocols Understanding (V2) (Benchling) 64.1%; адаптивное мышление при максимальном усилии. • данные разработчика

System Card, таблица 8.1.A / §8.2. Адаптивное мышление при максимальном усилии; среднее по 5 попыткам; 300 задач на девяти языках программирования. • данные разработчика

System Card, таблица 8.1.A / §8.2. Адаптивное мышление при максимальном усилии; среднее по 5 попыткам; визуальный контекст (скриншоты и дизайн-макеты). • данные разработчика

System Card, таблица 8.1.A / §8.2. Адаптивное мышление при максимальном усилии; среднее по 5 попыткам. • данные разработчика

Анонс + System Card §8.4. Terminal-Bench 4.0, точность 39.2% с включёнными защитными механизмами (Claude Code --bare, максимальное усилие мышления; среднее по 10 прогонам). Запасной модели нет; запросы, помеченные защитой, завершались ошибкой (1.8% прогонов). • данные разработчика

System Card §8.5. Terminal-Bench-Science 0.1; 20.6% с включёнными защитными механизмами (без fallback; 2.3% попыток помечено). Claude Code --bare, максимальное усилие мышления. • данные разработчика