Une carte de titre générée affichant « Sage-S2.1-Flash vs Claude Haiku 5.5 » au-dessus du sous-titre « Le coût d'un token face au coût d'une fenêtre de contexte », avec deux pastilles en dessous indiquant « falaise tarifaire des 100K tokens » et « huit H200 ». Fond blanc, accents en dégradé bleu et cyan, icônes en traits plats. Le logo OrcaRouter est incrusté dans le coin inférieur droit.
Guides & Insights

Sage-S2.1-Flash vs Claude Haiku 5.5 : le coût d'un jeton vs le coût d'une fenêtre de contexte

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Claude Haiku 5.5 et Sage-S2.1-Flash annoncent tous deux une fenêtre de contexte d'un million de tokens, et c'est à peu près là que la ressemblance s'arrête. Claude Haiku 5.5, publié par Anthropic le 7 octobre 2026, dispose d'une grille tarifaire publiée, d'un score indépendant sur un classement et d'une API hébergée. Sage-S2.1-Flash, discrètement mis en ligne sur Hugging Face par le Shanghai AI Laboratory le 15 novembre 2026, possède 645 gigaoctets de poids sous licence MIT, une fiche de modèle de 21 octets et aucun prix nulle part sur internet. Les comparer par million de tokens est donc impossible — pas difficile, impossible, car un côté du compteur est vide.

La comparaison qui fonctionne est une autre comparaison, et c'est celle dont traite cette page : ce que chaque modèle vous facture en matière de contexte long. Sur cet axe, les deux ne sont pas proches, et la réponse n'est pas celle que suggèrent les prix affichés.

Deux problèmes d’approvisionnement portant le même nom de benchmark

Commençons par ce que chaque partie est réellement, car la dénomination invite à une erreur de catégorie. Claude Haiku 5.5 est un modèle propriétaire texte et image de la petite gamme d'Anthropic — celui que l'éditeur positionne pour les « tâches à fort volume et sensibles à la latence, telles que la classification, l'extraction et le routage ». Il effectue un raisonnement adaptatif avec un paramètre d'effort dont la valeur par défaut est « medium », renvoie jusqu'à 128 000 tokens de sortie et est accessible via l'API sous le nom claude-haiku-5-5 sur la plateforme d'Anthropic elle-même comme sur les quatre principaux canaux de revente cloud.

Sage-S2.1-Flash est un modèle d'agent scientifique à poids ouverts : un mélange d'experts de 320 milliards de paramètres avec 18 milliards actifs par token, bâti sur l'architecture GLM-5.3-Flash, conditionné en bfloat16 sur environ 645 Go répartis en 120 fragments. Sa configuration déclare un plafond positionnel de 1 048 576 tokens, une tour de vision à 24 couches et des types explicites de tokens d'image, de vidéo, d'audio et de réflexion. Il est sous licence MIT et téléchargeable, et au 16 novembre, aucun fournisseur d'inférence ne le servait et aucun harnais indépendant ne l'avait évalué.

L’un est un poste de dépense. L’autre, un week-end et un nœud GPU. Cette asymétrie constitue toute la comparaison, et tout ce qui suit est l’arithmétique qui en découle.

A generated two-column comparison scoreboard titled 'Sage-S2.1-Flash vs Claude Haiku 5.5 - the scoreboard'. The Sage-S2.1-Flash column reads: Price: none published; Context: 1,048,576 tokens; Weights: MIT, about 645 GB; Hardware: 8xH200 to self-host; Independent score: none; Long-prompt surcharge: none. The Claude Haiku 5.5 column reads: Price: $0.10 / $0.50; Context: 1,000,000 tokens; Weights: proprietary; Hardware: vendor-hosted API; Independent score: AA Index 36.5; Long-prompt surcharge: 5x above 100K. Footer: 'Sage figures the vendor's own, unaudited; Haiku 5.5 price from Anthropic, score per Artificial Analysis.' The OrcaRouter logo is composited in the bottom-right corner.

La falaise des 100 000 tokens que personne ne met dans les gros titres

Anthropic publie la tarification de Claude Haiku 5.5 en deux niveaux plutôt qu’en un seul, et c’est au second niveau que l’affirmation du modèle concernant son contexte devient coûteuse :

• Prompts jusqu’à 100 000 tokens — 0,10 $ par million de tokens en entrée, 0,50 $ par million de tokens en sortie

• Invites de plus de 100 000 tokens — 0,50 $ par million de tokens d'entrée, 2,50 $ par million de tokens de sortie

• Écriture en cache, cinq minutes — 0,125 $ et 0,625 $ par million, selon la même répartition

• Lecture du cache — 0,01 $ par million en dessous de 100 K, 0,05 $ au-dessus

• API Batch — 50 % de réduction des deux côtés

C’est un saut d’un facteur cinq, et il se déclenche exactement à la longueur de prompt où un modèle à contexte long commence à justifier son coût. Un prompt de 150 000 tokens avec une réponse de 5 000 tokens coûte 150 000 × 0,50 $/1 M = 0,075 $ pour l’entrée, plus 5 000 × 2,50 $/1 M = 0,0125 $ pour la sortie, soit 0,0875 $. Au tarif inférieur à 100 K, le même appel aurait coûté 0,015 $ et 0,0025 $ — 0,0175 $. La fenêtre de contexte cinq fois plus grande ne coûte pas cinq fois le prix d’un appel de 100 K ; comparée au tarif que vous payiez un instant plus tôt, elle coûte environ cinq fois plus pour les mêmes tokens, et onze fois plus pour cet appel précis.

Il y a un second multiplicateur superposé par-dessus, et il est facile de le manquer car il se trouve dans la documentation plutôt que dans la grille tarifaire : Claude Haiku 5.5 utilise le tokeniseur introduit avec Claude 4.7, si bien que le même texte compte environ 30 % de tokens en plus qu’avec Claude Haiku 4.5. Quel que soit le budget que vous prévoyez par document, multipliez-le par 1,3 avant d’appliquer le tarif. Anthropic est inhabituellement explicite à ce sujet, ce qui lui fait honneur, mais l’effet sur un modèle de coûts naïf est bien réel : une charge de travail migrée de 4.5 à 5.5 avec une estimation de tokens inchangée dépassera le budget de près d’un tiers.

Rien de tout cela ne rend Claude Haiku 5.5 coûteux en termes absolus. 0,10 $ par million de jetons d'entrée est le tarif le plus bas parmi tous les modèles actuels proches de la frontière, et le classement indépendant confirme que ce niveau n'est pas un jouet : Claude Haiku 5.5 obtient 36,5 sur l'Artificial Analysis Intelligence Index à effort maximal, au-dessus des 32,6 de DeepSeek V4.1 Flash et des 30,8 de Gemini 3.8 Flash. Le point est plus précis et plus utile : sur ce modèle, la longueur du prompt est le levier de prix, et non le choix du modèle.

Ce que coûte un contexte long quand on possède les poids

Maintenant, fais le même calcul pour Sage-S2.1-Flash. Il n’y a pas de grille tarifaire, donc le token est gratuit à la marge — mais la fenêtre ne l’est pas, car il faut bien stocker les poids quelque part. Le guide de déploiement d’InternLM lui-même indique la configuration de référence : huit GPU H200, bfloat16, un parallélisme tensoriel de huit.

L'arithmétique est peu glamour et décisive. 645 Go de poids répartis sur huit cartes, soit environ 81 Go par carte. Un H200 embarque 141 Go de HBM, ce qui laisse environ 60 Go par carte pour le cache KV, les activations et l'ensemble de travail de la tour de vision. Le guide indique explicitement de ne pas utiliser de cache KV FP8 sur Hopper ; ces 60 Go sont donc consommés en bfloat16 — le format de cache par token le plus coûteux disponible. Un contexte d'un million de tokens est atteignable dans cette enveloppe, mais uniquement parce que l'attention hybride du modèle maintient la plupart des couches en linéaire : 34 des 45 couches utilisent le type d'attention linéaire que la configuration nomme kda, et seulement 11 recourent à une attention creuse avec un index top-2 048. Sur un transformateur classique à 45 couches, un cache KV d'un million de tokens ne tiendrait pas du tout.

Donc, la comparaison honnête des coûts n’est pas « gratuit contre 0,10 $ ». C’est « huit H200, dimensionnés et loués par vous, contre une API facturée à l’usage dont le prix est multiplié par cinq au-delà de 100K ». À quel taux d’utilisation la première l’emporte sur la seconde dépend entièrement de votre tarif horaire pour ces GPU et de la part de la journée où ils sont occupés — et comme nous n’avons ni prix publié de Sage ni chiffre de débit indépendant pour celui-ci, quiconque vous donne un point d’équilibre l’invente.

Screenshot of the OrcaRouter model page for anthropic/claude-haiku-4.5. The header shows a 200K-token context, 64K max output, vision, tools, JSON and reasoning tags, a release date of 2025-10-15, and the price row $1.00 input and $5.00 output per million tokens. A context window of 200,000 tokens and an output limit of 64,000 tokens are stated in the page's model description, along with text, image and file inputs.

Le manque de preuves, dit sans détour

Les deux modèles affichent des chiffres de benchmark. Un seul de ces ensembles de chiffres peut être vérifié par rapport à quoi que ce soit.

Claude Haiku 5.5 est évalué par un tiers. Artificial Analysis le place à 36,5 sur l'Intelligence Index à effort maximal, avec un débit de sortie annoncé de 257 tokens par seconde. Il s'agit d'un chiffre audité, issu d'un banc d'essai qui applique les mêmes tests à tous les modèles qu'il répertorie, ce qui le rend exploitable pour prendre une décision.

Sage-S2.1-Flash n’est mesuré que par ses auteurs. Les chiffres d’InternLM se trouvent dans un fichier à valeurs séparées par des tabulations, dans un dépôt GitHub créé le 16 novembre, publié sur un site statique à l’adresse internlm.github.io/Sage-S2.1-Flash, auquel la fiche de modèle Hugging Face ne renvoie pas. Le tableau comporte 35 lignes et compare Sage à huit modèles. Ses lignes fortes sont celles des domaines scientifique et vision — BabyVision à 75,8 contre Claude Opus 5 à 63,1, OSWorld-G à 84,8 contre DeepSeek-V4.1-Flash-1017 à 61,4, OfficeQA Pro V2 à 72,2, le meilleur chiffre de son propre tableau. Ses lignes de codage sont sans relief : SWE-bench Pro 60,6, DeepSWE 67,0, tous deux derrière DeepSeek V4.1 Flash.

Claude Haiku 5.5 n’apparaît pas du tout dans ce tableau. Gemini 3.8 Flash non plus. Ainsi, la seule comparaison qu’un lecteur recherchant cette confrontation veut réellement — le modèle hébergé bon marché face au modèle scientifique téléchargeable — ne dispose de données de fournisseur d’aucun des deux côtés, et d’aucune donnée indépendante pour l’un des deux camps. Ce que l’on peut dire, c’est que les lignes publiées de Sage se situent dans le territoire de la classe Opus sur les benchmarks scientifiques, tandis que ses lignes de codage se situent en dessous d’un modèle qui coûte 0,30 $ par million d’entrée, et qu’un écart de vingt-quatre points sur BabyVision est soit une réelle capacité, soit un benchmark lu différemment pour ce modèle. Sans harness, impossible de savoir lequel des deux.

Screenshot of Anthropic's Claude Platform documentation page for Claude Haiku 5.5. The page states a 1M-token context window, a 128K max output, and pricing 'from $0.10' input and 'from $0.50' output per million tokens, and notes that the model uses the same newer tokenizer as Claude 4.7 and later models, so the same text counts as approximately 30 percent more tokens than on Claude Haiku 4.5. A 'How it compares' table lists Claude Fable 5.2, Claude Opus 5.5, Claude Sonnet 5.5 and Claude Haiku 5.5 with their context, output, price, latency and default effort.

Là où chacun gagne réellement

Éliminez les parties qui ne peuvent pas être comparées, et il reste une séparation nette.

• Travail en volume et sensible à la latence — Claude Haiku 5.5, sans hésiter. La classification, l’extraction, le routage et les appels de sous-agents à 0,10 $/0,50 $ avec un score publié sont un problème résolu. Sage-S2.1-Flash ne peut pas rivaliser ici : vous loueriez huit GPU pour faire un travail qu’une API facturée à l’usage fait pour quelques centimes.

• Prompts entre 100K et 1M de tokens — véritablement disputé, et tranché par l’utilisation plutôt que par le mérite. Claude Haiku 5.5 facture cinq fois son tarif de base dans cette tranche ; Sage vous facture le coût amorti du matériel que vous avez déjà loué. Si votre nœud est occupé, Sage l’emporte sur le coût. S’il ne l’est pas, non.

• Entrée multimodale scientifique — Sage-S2.1-Flash, sur la base de ses propres affirmations. Les graphes moléculaires, les structures cristallines, les séquences protéiques, les spectres, les spectres de masse, la DRX, l’ECG, l’EEG et les courbes de lumière sont les entrées sur lesquelles InternLM déclare avoir été entraîné, et c’est le seul des deux dont la documentation les nomme. Considérez cela comme une déclaration de conception, et non comme un résultat mesuré.

• Tout ce qui nécessite un contrat cette semaine — Claude Haiku 5.5. L'un a un prix, une page de statut et un engagement de retrait au plus tôt le 7 octobre 2027. L'autre a une fiche modèle vide et, au moment de la rédaction, zéro téléchargement.

• Résidence des données et propriété des poids — Sage-S2.1-Flash, sans condition. Des poids MIT que vous pouvez conserver, auditer et affiner constituent une catégorie d'actif différente d'une API, et aucune différence de prix n'y change rien.

Le seul détail de plomberie qui détermine la plupart des migrations

Si vous migrez un pipeline à contexte long entre ces deux-là, le problème bloquant ne sera pas la qualité. Ce sera la tokenisation et les appels d’outils.

Claude Haiku 5.5 a changé de génération de tokenizer, ce qui signifie que chaque prompt que vous avez calibré pour Claude Haiku 4.5 doit être remesuré, et toute stratégie de découpage qui supposait un budget de tokens est désormais fausse d’environ 30 %. Anthropic fournit un guide de migration spécifiquement pour cela, et il vaut la peine de le lire avant de modifier un fichier de configuration.

Sage-S2.1-Flash présente une version plus aiguë du même problème, et c’est le point de son guide de déploiement qui vaut la peine d’être lu avant tout le reste. Son tokenizer doit être chargé depuis le dépôt : celui fourni par défaut dans vLLM, SGLang ou LMDeploy encodera la syntaxe agentique, comme les marqueurs d’appel d’outil, sous forme de tokens de contrôle plutôt que de texte, et le modèle mettra fin à un tour prématurément sans afficher la moindre erreur. Deux autres pièges se cachent derrière celui-ci : un appel d’outil parallèle dans le désordre associe les images au mauvais résultat sur vLLM sans un correctif d’un seul fichier, et SGLang écrase le template de chat sauf si le fichier lui est fourni explicitement. Pour une migration, la conséquence pratique est que le travail de comptage des tokens est doublé — une fois pour le nouveau tokenizer d’Anthropic, une fois pour celui personnalisé d’InternLM — et aucun des deux ne peut être estimé à partir de l’autre.

Ces trois éléments font, en pratique, toute la différence entre « Sage-S2.1-Flash est un modèle que j’ai évalué » et « Sage-S2.1-Flash est un modèle auquel j’ai renoncé ». Ils sont tous documentés, ce qui est plus que ce que la plupart des sorties discrètes parviennent à faire.

Prendre une décision sans connaître le prix

Claude Haiku 5.5 ne figure pas aujourd'hui au catalogue d'OrcaRouter ; il existe sur l'API propre d'Anthropic et via les principaux canaux de revente cloud, et nous n'allons pas laisser entendre le contraire. Ce qui est routé, c'est la génération précédente — anthropic/claude-haiku-4.5 à 1,00 $ en entrée et 5,00 $ en sortie par million, prix catalogue répercuté sans marge — qui reste la référence honnête du coût du petit palier d'Anthropic avant que le palier 5.5 ne le divise par dix. En faisant passer vos vrais prompts par 4.5, vous obtenez des comptages de tokens mesurés sur la même famille de tokenizers, et seuls des comptages de tokens mesurés permettent de trancher la question du seuil des 100K évoquée plus haut : le fait que votre trafic se situe en dessous, au-dessus ou à cheval sur ce seuil décide de toute la comparaison d'une manière qu'aucune ligne de benchmark ne peut.

Lorsque le fournisseur finira par publier un prix pour Sage-S2.1-Flash, ou qu’un banc d’essai indépendant l’évaluera, le modèle de répercussion importera : un catalogue qui reflète le prix catalogue du fournisseur le jour même où une baisse est appliquée, c’est ainsi que vous évitez de renégocier cette comparaison chaque trimestre.

Qu’est-ce qui changerait cette page

Un seul chiffre ferait l’essentiel du travail : un prix par token pour Sage-S2.1-Flash. Avec lui, la falaise des 100K d’un côté et le nœud amorti de l’autre deviennent un véritable calcul de seuil de rentabilité plutôt qu’une simple forme. Un second aiderait presque autant — un score indépendant pour Sage, idéalement sur le même harnais que celui qui a placé Claude Haiku 5.5 à 36.5, afin de pouvoir soustraire les deux plutôt que les raconter.

D’ici là, la position défendable est la suivante. Claude Haiku 5.5 est la façon la moins chère de faire un très grand nombre de petites choses, et il devient cher exactement là où sa fenêtre de contexte devient intéressante. Sage-S2.1-Flash est la façon la moins chère de disposer d’un très grand modèle, et ce n’est pas encore un moyen d’acheter quoi que ce soit. Choisir entre les deux n’est pas une question de goût concernant les benchmarks. C’est une question de savoir si votre charge de travail se mesure en tokens ou en nœuds — et si vous ne pouvez pas encore y répondre, la prochaine étape honnête est de chiffrer votre propre trafic, pas de lire une autre comparaison.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement