【新智元導(dǎo)讀】就在剛剛，Anthropic祭出首個(gè)混合推理Claude 3.7 Sonnet，堪稱(chēng)擴(kuò)展思考模式的最強(qiáng)模型。在最新編碼測(cè)試中，新模型暴擊o3-mini、DeepSeek R1，AI編碼王者出世了。
憋了大半年，Anthropic終于放出大招——首款混合推理模型Claude 3.7 Sonnet重磅登場(chǎng)！
這是Claude系列中，迄今為止最智能的模型，幾乎能夠及時(shí)響應(yīng)，并進(jìn)行可擴(kuò)展的、逐步的思考。
簡(jiǎn)言之，一個(gè)模型，兩種思考方式。
假設(shè)你想破解一個(gè)博弈論數(shù)學(xué)問(wèn)題——蒙提霍爾問(wèn)題，扔給Claude 3.7 Sonnet，然后同時(shí)選擇「Extended」模式。
它便會(huì)展示詳細(xì)CoT過(guò)程，用時(shí)52秒就完成了。
最關(guān)鍵的是，Claude 3.7 Sonnet目前所有人免費(fèi)可用，目前「擴(kuò)展思考」模式還沒(méi)有上線。
在多項(xiàng)基準(zhǔn)測(cè)試中，「擴(kuò)展思考」模式加持下的Claude 3.7 Sonnet，在數(shù)學(xué)、物理、指令執(zhí)行、編程等刷新SOTA。
相較于上一代Claude 3.5 Sonnet，數(shù)學(xué)、編碼能力更是暴漲10%以上。
除了數(shù)學(xué)，Claude 3.7 Sonnet（64k extended thinking）幾乎完全碾壓o3-mini，DeepSeek R1，與Grok 3不相上下。
API用戶(hù)可以精確控制模型的思考時(shí)間
可以說(shuō)，Claude 3.7 Sonnet完全是一個(gè)最強(qiáng)「軟件工程AI」。在SWE-bench上，創(chuàng)下了70.3%的高分。
與此同時(shí)，首款「智能體編程」工具Claude Code（預(yù)覽版）也在今天問(wèn)世了。
如今，它已經(jīng)成為Anthropic內(nèi)部，不可或缺的工具。在早期測(cè)試中，Claude一次性就完成人類(lèi)需要45分鐘的任務(wù)。
也就是說(shuō)，你做產(chǎn)品經(jīng)理，AI給你打工寫(xiě)代碼。
雖沒(méi)有Claude 4，Anthropic這波突如其來(lái)的打法，實(shí)屬給AI界又一震撼。
這半個(gè)月，注定是2025開(kāi)年以來(lái)AI含金量最高的。
Grok 3上周剛發(fā)布，這周DeepSeek連續(xù)開(kāi)源5天，OpenAI GPT-4.5據(jù)稱(chēng)也要上線，再加上Claude 3.7 Sonnet，大模型領(lǐng)域的混戰(zhàn)又開(kāi)始了。
全球首款「混合推理」模型誕生
在官方博文中，Anthropic稱(chēng)，Claude 3.7 Sonnet是Anthropic迄今為止最智能的模型，也是市場(chǎng)上首個(gè)混合推理模型。
Claude 3.7 Sonnet能夠產(chǎn)生幾乎即時(shí)的響應(yīng)或逐步展示思考過(guò)程的詳細(xì)步驟，這些步驟對(duì)用戶(hù)是可見(jiàn)的。API用戶(hù)還可以精細(xì)控制模型的思考時(shí)間。
在編碼和前端網(wǎng)頁(yè)開(kāi)發(fā)方面，Claude 3.7 Sonnet得到顯著提升。
除此之外，他們還推出了一款名為Claude Code的命令行工具，用于智能體編碼。
目前，Claude Code僅作為有限的研究預(yù)覽版提供，它使開(kāi)發(fā)人員能夠直接從他們的終端將大量的工程任務(wù)委托給Claude。
推理，是一個(gè)LLM整體能力
Claude 3.7 Sonnet的設(shè)計(jì)理念與市場(chǎng)上其他推理模型不同。
Anthropic相信，就像人類(lèi)使用一個(gè)大腦來(lái)處理快速反應(yīng)和深度思考一樣，推理應(yīng)該是前沿模型的整體能力，而不是一個(gè)完全獨(dú)立的模型。這種統(tǒng)一的方法為用戶(hù)提供了更流暢的體驗(yàn)。
Claude 3.7 Sonnet在幾個(gè)方面體現(xiàn)了這一理念。
首先，Claude 3.7 Sonnet既是普通的語(yǔ)言模型（LLM），也是一個(gè)推理模型：可以選擇在什么時(shí)候希望模型正常回答，什么時(shí)候希望它在回答之前思考更長(zhǎng)的時(shí)間。
在標(biāo)準(zhǔn)模式下，Claude 3.7 Sonnet是Claude 3.5 Sonnet的升級(jí)版本。
在擴(kuò)展思考模式下，它在回答之前進(jìn)行自我反思，這提高了在數(shù)學(xué)、物理、指令遵循、編碼和其他許多任務(wù)上的性能。
通常，兩種模式對(duì)模型的提示效果相似。
其次，通過(guò)API使用Claude 3.7 Sonnet時(shí)，用戶(hù)還可以控制思考的預(yù)算——
你可以告訴Claude在回答時(shí)最多思考N個(gè)tokens，N的最大值為128K tokens的輸出限制。這使得用戶(hù)可以在速度（和成本）與回答質(zhì)量之間進(jìn)行權(quán)衡。
第三，在開(kāi)發(fā)推理模型時(shí)，Anthropic在數(shù)學(xué)和計(jì)算機(jī)科學(xué)競(jìng)賽問(wèn)題上的優(yōu)化程度稍微降低，而是將重點(diǎn)轉(zhuǎn)向了更能反映企業(yè)實(shí)際使用LLM的現(xiàn)實(shí)世界任務(wù)。
Claude 3.7 Sonnet在SWE-bench Verified上刷線SOTA，該評(píng)測(cè)旨在評(píng)估AI模型解決現(xiàn)實(shí)世界軟件問(wèn)題的能力
Claude 3.7 Sonnet在TAU-bench上刷新SOT，TAU-bench是一個(gè)測(cè)試AI智能體在復(fù)雜現(xiàn)實(shí)世界任務(wù)中與用戶(hù)和工具交互能力的框架
如前所述，Claude 3.7 Sonnet幾乎在各大基準(zhǔn)測(cè)試中，性能得到了顯著提升。
相較于最新Grok 3 Beta模型，Claude 3.7 Sonnet（64k extended thinking）在推理方面幾乎打成平手。而在數(shù)學(xué)、視覺(jué)推理方面，又略遜色于Grok 3 Beta。
與o3-mini、DeepSeek R1相比，除了數(shù)學(xué)，帶有擴(kuò)展思考模式的Claude 3.7 Sonnet拿下最高分。
Claude 3.7 Sonnet在任務(wù)指令跟隨、通用推理、多模態(tài)能力和自主編程方面表現(xiàn)出色，擴(kuò)展思考模式在數(shù)學(xué)和科學(xué)領(lǐng)域帶來(lái)了顯著提升。除了傳統(tǒng)基準(zhǔn)測(cè)試外，它甚至在寶可夢(mèng)游戲測(cè)試中超越了所有先前模型
AI編碼智能體，一次完成45分鐘任務(wù)
自2024年6月以來(lái)，Sonnet系列一直是全球開(kāi)發(fā)者的首選模型。
今天，Anthropic的首個(gè)智能體編碼工具Claude Code誕生，目前以限量研究預(yù)覽的形式發(fā)布。
Claude Code主動(dòng)與人協(xié)作，能夠搜索和閱讀代碼、編輯文件、編寫(xiě)和運(yùn)行測(cè)試、提交并將代碼推送至GitHub，以及使用命令行工具——同時(shí)確保用戶(hù)在每一步都能參與其中。
此外，本次更新還改進(jìn)了Claude.ai上的編碼體驗(yàn)。
現(xiàn)在，所有Claude套餐都支持GitHub集成——開(kāi)發(fā)者能夠?qū)⒋a倉(cāng)庫(kù)直接連接到Claude。
作為Anthropic迄今為止最強(qiáng)大的編碼模型，Claude 3.7 Sonnet能更深入地理解個(gè)人項(xiàng)目、工作項(xiàng)目和開(kāi)源項(xiàng)目，并一舉成為修復(fù)bug、開(kāi)發(fā)新功能以及編寫(xiě)GitHub文檔的強(qiáng)大助手。
目前，Claude Code還處于早期階段，但已經(jīng)成為Anthropic團(tuán)隊(duì)不可或缺的工具，尤其是在測(cè)試驅(qū)動(dòng)開(kāi)發(fā)、調(diào)試復(fù)雜問(wèn)題和大規(guī)模重構(gòu)方面。
在早期測(cè)試中，它能夠一次性完成了通常需要手動(dòng)工作45分鐘以上的任務(wù)，顯著減少了開(kāi)發(fā)時(shí)間和工作量。
在接下來(lái)的幾周里，Anthropic計(jì)劃根據(jù)使用情況不斷改進(jìn)它：提升工具調(diào)用的可靠性、增加對(duì)長(zhǎng)時(shí)間運(yùn)行命令的支持、改進(jìn)應(yīng)用內(nèi)渲染效果，并擴(kuò)展Claude對(duì)自身能力的理解。
全新的測(cè)試時(shí)Scaling
Claude作為AI智能體
Claude 3.7 Sonnet具備了一項(xiàng)被稱(chēng)為「行為擴(kuò)展」（action scaling）的新特性——這種改進(jìn)使其能夠迭代調(diào)用函數(shù)、響應(yīng)環(huán)境變化，并持續(xù)操作直到完成開(kāi)放式任務(wù)。
例如在計(jì)算機(jī)使用方面：Claude能夠通過(guò)發(fā)出虛擬鼠標(biāo)點(diǎn)擊和鍵盤(pán)按鍵來(lái)代替用戶(hù)完成任務(wù)。與前代相比Claude 3.7 Sonnet能夠在計(jì)算機(jī)使用任務(wù)中投入更多的交互次數(shù)，同時(shí)配備更充足的時(shí)間和計(jì)算資源，因此往往能取得更好的結(jié)果。
這一進(jìn)步在OSWorld評(píng)估中得到了充分體現(xiàn)，這是一個(gè)用于評(píng)估多模態(tài)AI智能體能力的測(cè)試平臺(tái)。
Claude 3.7 Sonnet在初始階段就展現(xiàn)出了較好的表現(xiàn)，而隨著其持續(xù)與虛擬計(jì)算機(jī)交互，其性能優(yōu)勢(shì)還會(huì)隨時(shí)間推移而不斷擴(kuò)大。
Claude的擴(kuò)展思考模式與AI智能體訓(xùn)練相結(jié)合，不僅幫助它在OSWorld等眾多標(biāo)準(zhǔn)評(píng)估中取得了更好的表現(xiàn)，還讓它在一些其他意想不到的任務(wù)中實(shí)現(xiàn)了重大突破。
以玩游戲?yàn)槔貏e是在Game Boy掌機(jī)經(jīng)典游戲「口袋妖怪：紅」中的表現(xiàn)。他們?yōu)镃laude配備了基礎(chǔ)記憶能力、屏幕像素輸入功能，以及按鍵操作和屏幕導(dǎo)航的函數(shù)調(diào)用能力，使其能夠突破常規(guī)上下文限制，持續(xù)進(jìn)行游戲，實(shí)現(xiàn)長(zhǎng)達(dá)數(shù)萬(wàn)次的持續(xù)交互。
在下圖中，他們對(duì)比了具備擴(kuò)展思考能力的Claude 3.7 Sonnet與之前版本的Claude Sonnet在口袋妖怪游戲中的進(jìn)度。
如圖所示，早期版本在游戲伊始就難以推進(jìn)，Claude 3.0 Sonnet甚至無(wú)法走出故事起點(diǎn)真新鎮(zhèn)的初始小屋。
而Claude 3.7 Sonnet憑借改進(jìn)后的AI智能體能力取得了顯著進(jìn)展，成功挑戰(zhàn)并擊敗了三位道館館主，獲得了相應(yīng)的徽章。
Claude 3.7 Sonnet在嘗試多種策略和重新審視既有假設(shè)方面表現(xiàn)出色，這使它能夠在游戲過(guò)程中不斷提升自身能力。
串行與并行測(cè)試時(shí)計(jì)算Scaling
當(dāng)Claude 3.7 Sonnet運(yùn)用其擴(kuò)展思考能力時(shí)，可以說(shuō)它利用了「串行測(cè)試時(shí)計(jì)算」機(jī)制。
具體而言，它會(huì)在生成最終輸出之前，執(zhí)行多個(gè)連續(xù)的推理步驟，并在此過(guò)程中持續(xù)增加計(jì)算資源投入。
總體來(lái)看，這種機(jī)制能夠以可預(yù)測(cè)的方式提升其性能表現(xiàn)：例如，在數(shù)學(xué)問(wèn)題求解方面，其準(zhǔn)確率會(huì)隨著允許采樣的「思考Token」數(shù)量的增加呈對(duì)數(shù)增長(zhǎng)。
Claude的研究人員還在探索使用并行測(cè)試時(shí)計(jì)算來(lái)提升模型性能。
具體方法是通過(guò)采樣多個(gè)獨(dú)立的思維過(guò)程，并在不預(yù)先知道正確答案的情況下選擇最佳結(jié)果。這可以通過(guò)多數(shù)表決或共識(shí)投票機(jī)制來(lái)實(shí)現(xiàn)，即選擇出現(xiàn)頻率最高的答案作為「最佳」答案。
另外也可以使用另一個(gè)LLM來(lái)驗(yàn)證其工作成果，或采用經(jīng)過(guò)訓(xùn)練的評(píng)分函數(shù)來(lái)選擇最優(yōu)答案。
這些優(yōu)化策略（及相關(guān)研究工作）已在多個(gè)AI模型的評(píng)估報(bào)告中得到驗(yàn)證。
在GPQA評(píng)估中，他們通過(guò)并行測(cè)試時(shí)計(jì)算Scaling取得了突破性進(jìn)展。
具體而言，通過(guò)調(diào)用等同于256個(gè)獨(dú)立樣本的計(jì)算資源，結(jié)合訓(xùn)練優(yōu)化的評(píng)分模型，并設(shè)置最大64,000個(gè)Token的推理限額，Claude 3.7 Sonnet在GPQA測(cè)試中達(dá)到了84.8%的總體得分（其中物理學(xué)部分高達(dá)96.5%）。
值得注意的是，即使超出常規(guī)多數(shù)表決的限制范圍，模型性能仍在持續(xù)提升。
下圖列出了評(píng)分模型方法和多數(shù)表決方法的詳細(xì)結(jié)果。
這些方法能夠提升Claude回答的質(zhì)量，而且通常無(wú)需等待其完成推理過(guò)程。同時(shí)進(jìn)行多個(gè)不同的深度思維運(yùn)算，Claude能夠探索更多問(wèn)題解決思路，顯著提升正確答案的輸出頻率。
三步路線圖，Claude合作者已來(lái)
Claude 3.7 Sonnet和Claude Code標(biāo)志著，向真正增強(qiáng)人類(lèi)能力的人工智能系統(tǒng)邁出的重要一步。
憑借其深入推理、自主工作和有效協(xié)作的能力，它們讓我們更接近一個(gè)未來(lái)，在那里人工智能豐富了人類(lèi)所能實(shí)現(xiàn)的事情。
如今，Claude合作者已來(lái)。
最新版，可以免費(fèi)用了
值得一提的是，Claude 3.7 Sonnet目前已經(jīng)在Claude.ai平臺(tái)上線，Web、iOS和Android用戶(hù)皆可免費(fèi)體驗(yàn)。
對(duì)于希望構(gòu)建自定義AI解決方案的開(kāi)發(fā)者，可以通過(guò)Anthropic API、Amazon Bedrock以及Google Cloud的Vertex AI進(jìn)行訪問(wèn)。
在標(biāo)準(zhǔn)模式和擴(kuò)展思考模式下，Claude 3.7 Sonnet的價(jià)格與其前代產(chǎn)品相同：3美元/百萬(wàn)輸入token，15 美元/百萬(wàn)輸出token ——這其中包括了思考token的費(fèi)用。
Anthropic套餐定價(jià)
AI大佬測(cè)試
賓夕法尼亞大學(xué)沃頓商學(xué)院的教授Ethan Mollick已經(jīng)在過(guò)去幾天對(duì)Claude 3.7進(jìn)行了測(cè)試，
Claude 3.7經(jīng)常給他帶來(lái)與第一次使用ChatGPT-4時(shí)相同的感覺(jué)：既驚嘆不已，又對(duì)它們的能力感到一絲不安。以 Claude的原生編碼能力為例，我們現(xiàn)在可以通過(guò)自然對(duì)話或文檔獲得可運(yùn)行的程序，而無(wú)需任何編程技能。
例如，他向Claude提供了一份關(guān)于新型AI教育工具的提案，并在對(duì)話中要求它「以3D形式展示所提議的系統(tǒng)架構(gòu)，并使其具有交互性」。結(jié)果，它生成了我們論文中核心設(shè)計(jì)的交互式可視化效果，沒(méi)有任何錯(cuò)誤。
這些圖形雖然很簡(jiǎn)潔，但并不是最令人印象深刻的部分。真正讓人驚嘆的是，Claude自主決定將其制作成一個(gè)逐步演示來(lái)解釋相關(guān)概念，而這并不是我們要求它做的。
這種對(duì)需求的預(yù)判和對(duì)新方法的思考是AI領(lǐng)域中的一項(xiàng)新突破。
再舉一個(gè)更有趣的例子，Ethan Mollick告訴Claude：「給我做一個(gè)交互式的時(shí)間機(jī)器裝置，讓我可以穿越回過(guò)去，并發(fā)生一些有趣的事情。挑選一些不尋常的時(shí)間點(diǎn)讓我回去...」 以及 「添加更多圖像。」
僅僅這兩條提示之后，就出現(xiàn)了一個(gè)功能齊全的交互式體驗(yàn)，甚至還配有粗糙但迷人的像素圖像（這些圖像實(shí)際上令人驚訝地印象深刻——AI必須使用純代碼「繪制」這些圖像，而無(wú)法看到它正在創(chuàng)建的內(nèi)容，就像一個(gè)被蒙住眼睛的藝術(shù)家。
參考資料：
https://www.anthropic.com/news/claude-3-7-sonnet
https://x.com/alexalbert__/status/1894093648121532546
https://x.com/AnthropicAI/status/1894092430560965029
https://www.oneusefulthing.org/p/a-new-generation-of-ais-claude-37