Claude-modellfamiljen
Välj rätt modell utifrån kostnad, hastighet och kapacitet.
Claude-modellfamiljen är en gratis lektion i Claude Architect på CoddyKit. Detta är lektion 1 av 4. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för Claude Architect, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Claude Architect innehåller totalt 4 lektioner.
Möt modellfamiljen
Varje Claude API-anrop börjar med ett beslut: vilken modell? Det enda fältet bestämmer kostnaden, svarstiden och intelligensnivån för hela anropet.
Den aktuella familjen omfattar tre nivåer:
- Opus — den mest kapabla modellen, för de svåraste uppgifterna med lång tidshorisont.
- Sonnet — den bästa balansen mellan snabbhet och intelligens.
- Haiku — den snabbaste och billigaste modellen, för enkla uppgifter i stor volym.
Som Claude Certified Architect är det en central färdighet att välja rätt nivå för varje arbetsbelastning. Låt oss bygga ett beslutsramverk.
Modellfältet är bara en sträng
Du väljer en modell genom att skicka dess modell-ID som en sträng. Anropet bevarar inte heller något tillstånd — modellen är tillståndslös, så du skickar hela meddelandehistoriken vid varje tur.
De exakta ID-strängarna spelar roll. Ett skrivfel (till exempel claude-sonnet-4.6 i stället för claude-sonnet-4-6) returnerar ett 404 not_found_error, inte en tyst reservlösning.
import anthropic
client = anthropic.Anthropic()
response = client.messages.create(
model="claude-opus-4-8",
max_tokens=1024,
messages=[{"role": "user", "content": "Hello, Claude"}],
)
print(response.content[0].text)Opus — familjens toppmodell
Claude Opus 4.8 (claude-opus-4-8) är den mest kapabla modellen. Välj den när korrekthet i ett svårt problem väger tyngre än kostnad och snabbhet:
- Stora refaktoreringar i flera steg och kodkörningar över natten.
- Djupgående research och agentloopar med lång tidshorisont.
- Komplex problemlösning där en billigare modell skulle försämra kvaliteten.
Den erbjuder ett kontextfönster på 1 miljon tokens till standardpris och upp till 128K output tokens. Pris: 5 $ / 1 miljon input, 25 $ / 1 miljon output.
response = client.messages.create(
model="claude-opus-4-8",
max_tokens=64000,
thinking={"type": "adaptive"},
output_config={"effort": "high"},
messages=[{"role": "user", "content": "Refactor this service end to end."}],
)Sonnet — den balanserade arbetshästen
Claude Sonnet 4.6 (claude-sonnet-4-6) kombinerar snabbhet och intelligens på bästa sätt. Det är standardvalet för den mesta trafiken i produktion:
- Chatt, klassificering, innehållsgenerering och extrahering.
- Verktygsintensiva arbetsflöden som behöver snabb återkoppling.
- Allt där Opus vore överdimensionerad men Haiku kanske skulle missa nyanser.
Den har ett kontextfönster på 1 miljon tokens och upp till 64K output tokens. Pris: 3 $ / 1 miljon input, 15 $ / 1 miljon output — billigare än Opus i båda fallen.
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=8192,
messages=[{"role": "user", "content": "Classify this support ticket."}],
)Haiku — snabb och billig i stor skala
Claude Haiku 4.5 (claude-haiku-4-5) är den snabbaste och mest kostnadseffektiva modellen. Använd den för enkla uppgifter i stor volym där svarstid och pris är avgörande:
- Enkel klassificering och dirigering.
- Korta sammanfattningar och formateringskorrigeringar.
- Underagenter som utför avgränsade uppgifter med tydlig omfattning.
Kontextfönstret är 200K tokens (mindre än Opus och Sonnet på 1 miljon), med upp till 64K output tokens. Pris: 1 $ / 1 miljon input, 5 $ / 1 miljon output — den billigaste nivån.
response = client.messages.create(
model="claude-haiku-4-5",
max_tokens=256,
messages=[{"role": "user", "content": "Is this email spam? Answer yes or no."}],
)Avvägningen mellan de tre nivåerna
Att välja modell innebär alltid en avvägning mellan tre dimensioner:
- Kapacitet — Opus > Sonnet > Haiku för avancerad problemlösning.
- Snabbhet — Haiku är snabbast, Opus arbetar mest omsorgsfullt.
- Kostnad — Haiku (1 $/5 $) < Sonnet (3 $/15 $) < Opus (5 $/25 $) per 1 miljon tokens.
Arkitektens tumregel: börja på den billigaste nivån som klarar kvalitetskravet och gå bara upp när utvärderingar visar att det behövs. Välj inte reflexmässigt Opus för allt — då förbrukar ni budget på uppgifter som Sonnet eller Haiku hanterar lika bra.
Anpassa nivån efter uppgiften
En praktisk routningsheuristik för ett system i flera steg:
- Koordinator / planerare som utför komplex uppdelning → Opus.
- Huvudarbetare som hanterar verktygsanrop och syntes → Sonnet.
- Smala underagenter (klassificering, grep och sammanfattning) → Haiku.
Detta speglar hur agenter i produktion hålls kostnadseffektiva: använd intelligens på Opus-nivå endast där beslutet är svårt och fördela rutinmässigt, parallellt arbete till billigare modeller.
Byt inte modell mitt i en konversation
Modeller är cacheavgränsade. Promptcachning matchar ett prefix, och cachen hanteras per modell — därför ogiltigförklarar ett byte av modellsträng mitt i en konversation hela cachen, så allt måste bearbetas på nytt till full kostnad.
Mönstret för arkitekturer på expertnivå är att behålla en modell i huvudloopen och, om en deluppgift behöver en billigare modell, skapa en underagent för den i stället för att byta modell i den aktiva tråden.
# Main loop stays on Opus; cheap discovery work goes to a Haiku sub-agent
main = client.messages.create(
model="claude-opus-4-8",
max_tokens=16000,
messages=history, # cached prefix preserved
)
scout = client.messages.create(
model="claude-haiku-4-5", # separate call, separate cache
max_tokens=1024,
messages=[{"role": "user", "content": "Summarize these 5 files."}],
)Styr kostnaden med effort, inte modellbyten
Ni behöver inte alltid byta modell för att ändra kostnaden. I Opus 4.8 och Sonnet 4.6 justerar parametern effort hur mycket modellen tänker och förbrukar, inuti output_config:
low— kortfattad, färre verktygsanrop och optimerad för låg svarstid.high— standardvärdet; grundlig.max— endast för Opus-nivån, när korrekthet är viktigare än kostnad.
Kombinera den med adaptivt tänkande (thinking={"type": "adaptive"}) och låt modellen avgöra hur mycket den ska resonera per anrop. Obs! budget_tokens har tagits bort i dessa modeller — använd adaptivt tänkande i stället.
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=8192,
thinking={"type": "adaptive"},
output_config={"effort": "low"}, # cut cost without dropping a tier
messages=[{"role": "user", "content": "Draft a release note."}],
)Ta hänsyn till kontextfönstret och output-gränsen
Kapacitet handlar inte bara om intelligens — även om hur mycket modellen kan hålla i minnet och producera:
- Opus 4.8 / Sonnet 4.6: kontextfönster på 1 miljon tokens.
- Haiku 4.5: kontextfönster på 200K tokens.
Om en arbetsbelastning måste resonera över en mycket stor kodbas eller dokumentsamling i ett enda anrop kan Haikus mindre fönster utesluta den, oavsett kostnad. Strömma också alla anrop med stort max_tokens (över cirka 16K) — anrop utan strömning riskerar HTTP-tidsgränser i SDK:t.
with client.messages.stream(
model="claude-opus-4-8",
max_tokens=128000, # large output -> must stream
messages=[{"role": "user", "content": "Generate the full migration plan."}],
) as stream:
message = stream.get_final_message()Batch API: ett kostnadsverktyg, inte en modellnivå
Kostnadsoptimering handlar inte bara om modellval. Message Batches API kör anrop med 50 % rabatt inom ett fönster på upp till 24 timmar.
Nackdelen är att det inte är avsett för blockerande eller tidskänsligt arbete: det finns ingen SLA för svarstid och flerturnsverktygsanrop stöds inte. Använd det för rapporter och granskningar som körs över natten, aldrig för en kontroll före merge eller något som en användare väntar på. Välj i stället en snabb modell (ofta Haiku eller Sonnet) via standard-API:t för sådant.
batch = client.messages.batches.create(
requests=[
{"custom_id": "row-1", "params": {
"model": "claude-haiku-4-5",
"max_tokens": 256,
"messages": [{"role": "user", "content": "Classify row 1"}],
}},
],
)Snabbtest: välja modell
En scenariobaserad fråga om att matcha modell efter begränsningen.
Sammanfattning: välja mellan familjens modeller
Viktiga slutsatser för provet och produktion:
- Opus 4.8 (5 $/25 $, 1M kontext) — den svåraste problemlösningen och agenter med lång tidshorisont; använd sparsamt.
- Sonnet 4.6 (3 $/15 $, 1M kontext) — det balanserade standardvalet för den mesta trafiken.
- Haiku 4.5 (1 $/5 $, 200K kontext) — snabb och billig för enkla uppgifter i stor volym.
- Börja på den billigaste nivån som klarar kvalitetskravet och gå bara upp när utvärderingar kräver det.
- Justera kostnaden med effort och adaptivt tänkande innan ni byter nivå.
- Byt inte modell mitt i en konversation — det ogiltigförklarar cachen; skapa i stället en billigare underagent.
- Använd Batches API (50 % rabatt) endast för icke-blockerande jobb — aldrig för tidskänsliga kontroller.
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 26
- Lektioner
- 104
Vanliga frågor
Är lektionen ”Claude-modellfamiljen” gratis?
Ja – du kan läsa vilka 3 lektioner som helst i lärvägen Claude Architect, inklusive ”Claude-modellfamiljen”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i Claude Architect innehåller totalt 4 lektioner.
Vad lär jag mig i ”Claude-modellfamiljen”?
Välj rätt modell utifrån kostnad, hastighet och kapacitet. Ni övar på Claude Architect med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Claude Architect?
Du behöver inga förkunskaper. Utbildningen i Claude Architect på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Claude-modellfamiljen”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Claude Architect-lektionen?
Ja. Varje Claude Architect-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Claude-modellfamiljen
- Anatomin hos en API-begäran
- Förklaringar av stoporsaker
- Tokens, kontextfönster och kostnad