De modellagen

Je stuurt een app uit met Claude. Welk model kies je? Als je standaard voor het slimste gaat, zal je API-rekening je verrassen. Kies voor het goedkoopste, en de output kan tegenvallen. Elk model heeft verschillende afwegingen, en het kiezen van de juiste beïnvloedt zowel kwaliteit als kosten.

Anthropic biedt momenteel vier modellagen aan, en je kiest ertussen met de model parameter in je API-aanroep.

Opmerking: op het moment van deze cursus was Claude Fable niet algemeen beschikbaar en wordt het niet weergegeven in de video hierboven. Meer informatie over Claude Fable en Claude Mythoshier.

Claude Fable is ons meest capabele model tot nu toe — een nieuwe laag die boven Opus staat, gebouwd voor je moeilijkste uitdagingen. Het kost aanzienlijk meer dan Opus, dus reserveer het voor werk waarbij die extra mogelijkheid het waard is om voor te betalen.
Claude Opus is het meest capabel van de drie kernmodelfamilies, maar ook het langzaamste en duurste van de drie. Gebruik het voor diep redeneren, complexe analyse, multi-stap codering en genuanceerd schrijven.
Claude Haiku is het snelste en goedkoopste, geoptimaliseerd voor snelheid en kostenefficiëntie in plaats van maximale intelligentie. Gebruik het voor werk met hoog volume en lage complexiteit, zoals classificatie, extractie en routering.
Claude Sonnet zit in het zoete plekje: een evenwichtige combinatie van intelligentie, snelheid en kosten die goed werkt voor het meeste productiewerk.

Drie kaarten die de Claude-modellagen vergelijken: Haiku \(snelste, laagste kosten, voor classificatie en routering\), Sonnet \(capabel en snel, voor het meeste productiewerk\), en Opus \(meest intelligent, hoogste kosten, voor diep redeneren en complexe analyse\)

Begin met een eenvoudige evaluatie

Voordat je productiecode schrijft, stel je een eenvoudige evaluatie in: een set voorbeeldinvoer die je door elk model haalt en beoordeelt tegen wat goede output voor je use case betekent. Je hoeft niets ingewikkelds — 20 of 30 representatieve voorbeelden uit je werkelijke workload is genoeg om mee te beginnen.

Werk je vervolgens omhoog door de lagen:

Voer je voorbeelden eerst door Haiku. Als de kwaliteit standhoudend, ben je klaar — en je hebt zojuist veel geld bespaard.
Als dat niet het geval is, stap je over naar Sonnet.
Grijp alleen naar Opus wanneer de taak het nodig heeft.

De lagen naast elkaar vergelijken

Laten we het verschil tussen de lagen zien, niet alleen erover praten. We sturen dezelfde prompt door alle drie de modellen en kijken naar de latentie en token-aantallen:

models = ["claude-haiku-4-5", "claude-sonnet-4-6", "claude-opus-4-7"]

for model in models: response = client. messages. create( model=model, max_tokens=300, messages=[{"role": "user", "content": prompt}], ) print(model, response. usage)

Twee dingen gebeuren hier:

De lus wisselt het model veld bij elke aanvraag. Dezelfde prompt, dezelfde max tokens — alleen het model verandert.
response. usage geeft je de invoer- en uitvoertokens rechtstreeks terug van de API, wat je rekening wordt berekend op.

Terminaluitvoer van het uitvoeren van dezelfde prompt door Opus, Sonnet en Haiku, met de latentie en invoer-/uitvoertokenaantallen van elk model

Voer het uit en je ziet drie modellen en drie sets getallen. Opus duurt het langst en leest het meest gepolijst — maar voor een definitie van twee zinnen is die glans verspild. Sonnet stramt het schrijven een beetje aan. En Haiku komt terug, vaak in minder dan een seconde, met een zeer competent antwoord van twee zinnen. Het is eerlijk gezegd perfect voor dit soort scenario.

En dat is het hele punt: **het juiste model is het goedkoopste waarvan je de output daadwerkelijk zou uitsturen. ** Voor een definitie is Haiku voldoende. Voor het opstellen van een regelgeving-reactie, zou je dezelfde vergelijking uitvoeren en waarschijnlijk eindigen op Opus. De eval heeft elke keer dezelfde vorm.

Ander werk naar verschillende modellen routeren

In een echte app zou je verschillende soorten werk naar verschillende modellen routeren binnen hetzelfde eindpunt. Neem een operationeel dashboard met een documentverwerkingsroute:

Elk binnenkomend bestand wordt geclassificeerd met Haiku.
Clientupdates worden opgesteld met Sonnet.
Alleen RFP-reacties grijpen naar Opus.

Één wachtrij, drie modellen, gekozen per taak.

Samenvatting

Anthropic biedt drie modellagen: Opus voor moeilijke problemen, Sonnet voor dagelijks werk, en Haiku voor volume.
Stel een eenvoudige evaluatie in — 20 of 30 representatieve voorbeelden uit je werkelijke workload — voordat je productiecode schrijft.
Voer de eval uit van Haiku omhoog en stop bij het goedkoopste model waarvan je de output daadwerkelijk zou uitsturen.
response. usage rapporteert invoer- en uitvoertokens, wat je rekening op is gebaseerd.
In productie routeer je verschillende taken naar verschillende modellen binnen hetzelfde eindpunt in plaats van één model voor alles te kiezen.