
Sage-S2.1-Flash vs Claude Haiku 5.5: O Custo de um Token vs o Custo de uma Janela de Contexto
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 90 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 87 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 133 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 por 1M de tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 por 1M de tokens · 219 tok/s
Claude Haiku 5.5 e Sage-S2.1-Flash anunciam ambos uma janela de contexto de um milhão de tokens, e é mais ou menos aí que a semelhança termina. Claude Haiku 5.5, lançado pela Anthropic em 7 de outubro de 2026, tem uma tabela de preços publicada, uma pontuação independente em ranking e uma API hospedada. Sage-S2.1-Flash, enviado discretamente ao Hugging Face pelo Shanghai AI Laboratory em 15 de novembro de 2026, tem 645 gigabytes de pesos com licença MIT, um model card de 21 bytes e nenhum preço em lugar algum da internet. Compará-los por milhão de tokens é, portanto, impossível — não difícil, impossível, porque um dos lados do medidor está em branco.
A comparação que funciona é outra, e é aquela sobre a qual esta página trata: quanto cada modelo cobra de você por contexto longo. Nesse aspecto, os dois não estão nem perto, e a resposta não é a que os preços de tabela sugerem.
Dois problemas de compras sob o mesmo nome de benchmark
Comece pelo que cada lado realmente é, porque a nomenclatura induz a um erro de categoria. Claude Haiku 5.5 é um modelo proprietário de texto e imagem da camada pequena da Anthropic — aquela que o fornecedor posiciona para "tarefas de alto volume e sensíveis à latência, como classificação, extração e roteamento". Ele faz raciocínio adaptativo com um parâmetro de esforço cujo padrão é médio, retorna até 128.000 tokens de saída e é acessado via API como claude-haiku-5-5 na própria plataforma da Anthropic e nos quatro principais canais de revenda em nuvem.
Sage-S2.1-Flash é um modelo de agente científico de pesos abertos: uma mistura de especialistas com 320 bilhões de parâmetros e 18 bilhões ativos por token, construído sobre a arquitetura GLM-5.3-Flash, empacotado em bfloat16 com cerca de 645 GB distribuídos em 120 shards. Sua configuração declara um teto posicional de 1.048.576 tokens, uma torre de visão de 24 camadas e tipos explícitos de tokens de imagem, vídeo, áudio e pensamento. É licenciado sob MIT e disponível para download, e, em 16 de novembro, nenhum provedor de inferência o servia e nenhum harness independente o havia avaliado.
Um deles é um item de linha. O outro é um fim de semana e um nó de GPU. Essa assimetria é a comparação inteira, e tudo abaixo é a aritmética que decorre dela.

O penhasco dos 100.000 tokens que ninguém coloca na manchete
A Anthropic publica a precificação do Claude Haiku 5.5 em dois níveis, em vez de um, e é no segundo nível que a própria alegação de contexto do modelo se torna cara:
• Prompts de até 100.000 tokens — $0,10 por milhão de entrada, $0,50 por milhão de saída
• Prompts acima de 100.000 tokens — US$ 0,50 por milhão de entrada, US$ 2,50 por milhão de saída
Gravação em cache, cinco minutos — $0,125 e $0,625 por milhão, pela mesma divisão
• Leitura de cache — US$ 0,01 por milhão abaixo de 100K, US$ 0,05 acima disso
• Batch API — 50% de desconto em ambos os lados
Esse é um salto de cinco vezes, e ele é acionado exatamente no comprimento de prompt em que um modelo de contexto longo começa a valer a pena pagar. Um prompt de 150.000 tokens com uma resposta de 5.000 tokens custa 150.000 × US$ 0,50/1M = US$ 0,075 pela entrada, mais 5.000 × US$ 2,50/1M = US$ 0,0125 pela saída, ou US$ 0,0875. Na tarifa abaixo de 100K, a mesma chamada teria custado US$ 0,015 e US$ 0,0025 — US$ 0,0175. A janela de contexto cinco vezes maior não custa cinco vezes o que custa uma chamada de 100K; medida em relação à tarifa que você estava pagando um momento antes, ela custa cerca de cinco vezes mais pelos mesmos tokens e onze vezes mais por essa chamada específica.
Há um segundo multiplicador empilhado por cima, e é fácil de passar despercebido porque está na documentação e não na tabela de preços: o Claude Haiku 5.5 usa o tokenizador introduzido com o Claude 4.7, pelo que o mesmo texto conta como aproximadamente 30 por cento mais tokens do que contava no Claude Haiku 4.5. Seja qual for o orçamento que definir por documento, multiplique-o por 1,3 antes de aplicar a tarifa. A Anthropic é invulgarmente explícita quanto a isto, o que lhe fica a crédito, mas o efeito num modelo de custos ingénuo é real: uma carga de trabalho migrada do 4.5 para o 5.5 com uma estimativa de tokens inalterada excederá o orçamento em quase um terço.
Nada disso torna o Claude Haiku 5.5 caro em termos absolutos. US$ 0,10 por milhão de tokens de entrada é a tarifa mais barata entre os modelos atuais adjacentes à fronteira, e o ranking independente concorda que essa categoria não é brinquedo: o Claude Haiku 5.5 marca 36,5 no Artificial Analysis Intelligence Index no esforço máximo, acima dos 32,6 do DeepSeek V4.1 Flash e dos 30,8 do Gemini 3.8 Flash. O ponto é mais restrito e mais útil: neste modelo, o comprimento do prompt é a alavanca de preço, e não a escolha do modelo.
Quanto custa o contexto longo quando você é dono dos pesos
Agora faça a mesma soma para o Sage-S2.1-Flash. Não há tabela de preços, então o token é gratuito na margem — mas a janela não é, porque é preciso armazenar os pesos em algum lugar. O próprio guia de implantação do InternLM indica a configuração de referência: oito GPUs H200, bfloat16, paralelismo de tensores de oito.
A aritmética é pouco glamourosa e decisiva. 645 GB de pesos distribuídos em oito placas dá cerca de 81 GB por placa. Uma H200 carrega 141 GB de HBM, o que deixa aproximadamente 60 GB por placa para KV cache, ativações e o conjunto de trabalho da torre de visão. O guia diz explicitamente para não usar KV cache em FP8 no Hopper, então esses 60 GB são gastos em bfloat16 — o formato de cache por token mais caro disponível. Um contexto de um milhão de tokens é alcançável nesse envelope, mas apenas porque a atenção híbrida do modelo mantém a maioria das camadas linear: 34 das 45 camadas usam o tipo de atenção linear que a configuração chama de kda, e somente 11 usam atenção esparsa com um índice top-2,048. Em um transformer convencional de 45 camadas, um KV cache de um milhão de tokens não caberia de jeito nenhum.
Então, a comparação honesta de custos não é "grátis versus US$ 0,10". É "oito H200s, dimensionados e alugados por você, versus uma API com cobrança por uso cujo preço quintuplica acima de 100K". Em que nível de utilização a primeira supera a segunda depende inteiramente do seu valor por hora para essas GPUs e de quanto do dia elas ficam ocupadas — e, como não temos um preço publicado do Sage nem um número independente de throughput para ele, qualquer pessoa que lhe apresente um ponto de equilíbrio está inventando um.

A lacuna de evidências, dita claramente
Ambos os modelos têm números de benchmark. Apenas um conjunto deles pode ser verificado em relação a qualquer coisa.
O Claude Haiku 5.5 é medido por um terceiro. A Artificial Analysis o coloca em 36,5 no Índice de Inteligência com esforço máximo, com 257 tokens de saída por segundo relatados. Esse é um número auditado de um harness que executa os mesmos testes em todos os modelos que lista, o que o torna utilizável para uma decisão.
O Sage-S2.1-Flash é medido apenas por seus autores. Os números do InternLM estão em um arquivo separado por tabulações, em um repositório do GitHub criado em 16 de novembro, publicados em um site estático em internlm.github.io/Sage-S2.1-Flash para o qual o model card do Hugging Face não aponta. A tabela tem 35 linhas e compara o Sage com oito modelos. Suas linhas fortes são as de ciência e visão — BabyVision com 75,8 contra Claude Opus 5 com 63,1, OSWorld-G com 84,8 contra DeepSeek-V4.1-Flash-1017 com 61,4, OfficeQA Pro V2 com 72,2, o melhor número de sua própria tabela. Suas linhas de programação são discretas: SWE-bench Pro 60,6, DeepSWE 67,0, ambos atrás do DeepSeek V4.1 Flash.
Claude Haiku 5.5 não aparece naquela tabela de forma alguma. Gemini 3.8 Flash também não. Assim, a única comparação que um leitor à procura desse confronto realmente quer — o modelo hospedado barato contra o modelo científico baixável — não tem dados de fornecedor de nenhum dos lados, e não tem dados independentes de um dos lados. O que podemos dizer é que as linhas publicadas do Sage ficam em território de classe Opus em benchmarks científicos, enquanto suas linhas de programação ficam abaixo de um modelo que custa US$ 0,30 por milhão de tokens de entrada, e que uma margem de vinte e quatro pontos no BabyVision é ou uma capacidade real ou um benchmark lido de forma diferente para este modelo. Sem um harness, não dá para saber qual dos dois.

Onde cada um realmente se destaca
Elimine as partes que não podem ser comparadas e resta uma divisão limpa.
• Trabalho em massa e sensível à latência — Claude Haiku 5.5, decididamente. Classificação, extração, roteamento e chamadas de subagentes a US$ 0,10/US$ 0,50 com uma pontuação publicada é um problema resolvido. O Sage-S2.1-Flash não consegue competir aqui: você estaria alugando oito GPUs para fazer um trabalho que uma API cobrada por uso faz por centavos.
• Prompts entre 100K e 1M de tokens — genuinamente contestado, e decidido pela utilização em vez do mérito. O Claude Haiku 5.5 cobra cinco vezes a sua tarifa base nesta faixa; o Sage cobra-lhe o custo amortizado do hardware que já alugou. Se o seu nó estiver ocupado, o Sage ganha em custo. Se não estiver, não ganha.
• Entrada multimodal científica — Sage-S2.1-Flash, com base em suas próprias alegações. Gráficos moleculares, estruturas cristalinas, sequências de proteínas, espectros, espectros de massa, XRD, ECG, EEG e curvas de luz são as entradas com as quais a InternLM afirma ter sido treinada, e é o único dos dois cuja documentação as nomeia. Trate isso como uma declaração de design, não como um resultado medido.
• Tudo o que precise de um contrato esta semana — Claude Haiku 5.5. Um tem um preço, uma página de estado e um compromisso de descontinuação não antes de 7 de outubro de 2027. O outro tem uma ficha de modelo vazia e, no momento em que escrevo, zero descarregamentos.
• Residência de dados e propriedade dos pesos — Sage-S2.1-Flash, incondicionalmente. Pesos MIT que você pode manter, auditar e ajustar finamente são uma categoria de ativo diferente de uma API, e nenhuma diferença de preço muda isso.
O único detalhe de infraestrutura que decide a maioria das migrações
Se você estiver movendo um pipeline de contexto longo entre esses dois, o problema bloqueante não será a qualidade. Será a tokenização e as chamadas de ferramentas.
O Claude Haiku 5.5 mudou a geração do tokenizador, o que significa que todo prompt que você ajustou para o Claude Haiku 4.5 precisa ser medido novamente, e qualquer estratégia de chunking que pressupunha um orçamento de tokens agora está errada em cerca de 30%. A Anthropic publica um guia de migração exatamente para isso, e vale a pena lê-lo antes de mexer em um arquivo de configuração.
O Sage-S2.1-Flash tem uma versão mais acentuada do mesmo problema, e este é o item do seu guia de implantação que vale a pena ler antes de qualquer outra coisa. Seu tokenizer precisa ser carregado a partir do repositório — o padrão no vLLM, SGLang ou LMDeploy codificará sintaxe agêntica, como marcadores de chamada de ferramenta, como tokens de controle em vez de texto, e o modelo encerrará um turno mais cedo sem nenhum erro que indique isso. Há duas outras armadilhas por trás dessa: uma chamada de ferramenta paralela fora de ordem associa imagens ao resultado errado no vLLM sem um patch de um arquivo, e o SGLang substitui o template de chat a menos que receba o arquivo explicitamente. Para uma migração, a consequência prática é que o trabalho de contagem de tokens dobra — uma vez para o novo tokenizer da Anthropic, uma vez para o tokenizer personalizado da InternLM — e nenhum dos dois pode ser estimado a partir do outro.
Esses três pontos são, na prática, a diferença entre “Sage-S2.1-Flash é um modelo que eu avaliei” e “Sage-S2.1-Flash é um modelo que eu abandonei”. Todos eles estão documentados, o que é mais do que a maioria dos lançamentos discretos consegue.
Chegar a uma decisão sem um preço
O Claude Haiku 5.5 não está no catálogo do OrcaRouter hoje; ele está disponível na API própria da Anthropic e pelos principais canais de revenda em nuvem, e não vamos dar a entender o contrário. O que é roteado é a geração anterior — anthropic/claude-haiku-4.5 a US$ 1,00 de entrada e US$ 5,00 de saída por milhão, preço de tabela repassado sem acréscimo — que ainda é a referência honesta para quanto custa a camada pequena da Anthropic antes de a camada 5.5 reduzi-la por um fator de dez. Executar seus prompts reais no 4.5 fornece contagens de tokens medidas na mesma família de tokenizador, e contagens de tokens medidas são a única coisa que resolve a questão do penhasco de 100K acima: se seu tráfego fica abaixo dele, acima dele ou o atravessa decide a comparação inteira de um modo que nenhuma linha de benchmark consegue.
Quando o fornecedor finalmente publicar um preço para o Sage-S2.1-Flash, ou um harness independente lhe atribuir uma pontuação, o modelo de repasse importa: um catálogo que reflita o preço de tabela do provedor no mesmo dia em que um corte entrar em vigor é como você evita renegociar esta comparação a cada trimestre.
O que mudaria esta página
Um único número faria a maior parte do trabalho: um preço por token para o Sage-S2.1-Flash. Com ele, o penhasco de 100K de um lado e o nó amortizado do outro se tornam um cálculo real de ponto de equilíbrio, em vez de apenas uma forma. Um segundo ajudaria quase tanto — uma pontuação independente para o Sage, de preferência no mesmo harness que colocou o Claude Haiku 5.5 em 36.5, para que os dois possam ser subtraídos em vez de narrados.
Até lá, a posição defensável é esta. Claude Haiku 5.5 é a forma mais barata de fazer um número muito grande de pequenas coisas, e fica caro exatamente onde sua janela de contexto fica interessante. Sage-S2.1-Flash é a forma mais barata de ter um modelo muito grande, e ainda não é uma forma de comprar nada. Escolher entre eles não é uma questão de gosto sobre benchmarks. É uma questão de saber se sua carga de trabalho é medida em tokens ou em nós — e, se você ainda não consegue responder a isso, o próximo passo honesto é precificar seu próprio tráfego, não ler outra comparação.
Comparados neste artigo1
Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente
