【新智元導(dǎo)讀】就在剛剛，Anthropic祭出首個混合推理Claude 3.7 Sonnet，堪稱擴展思考模式的最強模型。在最新編碼測試中，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！
這是Claude系列中，迄今為止最智能的模型，幾乎能夠及時響應(yīng)，并進行可擴展的、逐步的思考。
簡言之，一個模型，兩種思考方式。
假設(shè)你想破解一個博弈論數(shù)學(xué)問題——蒙提霍爾問題，扔給Claude 3.7 Sonnet，然后同時選擇「Extended」模式。
它便會展示詳細CoT過程，用時52秒就完成了。
最關(guān)鍵的是，Claude 3.7 Sonnet目前所有人免費可用，目前「擴展思考」模式還沒有上線。
在多項基準(zhǔn)測試中，「擴展思考」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用戶可以精確控制模型的思考時間
可以說，Claude 3.7 Sonnet完全是一個最強「軟件工程AI」。在SWE-bench上，創(chuàng)下了70.3%的高分。
與此同時，首款「智能體編程」工具Claude Code（預(yù)覽版）也在今天問世了。
如今，它已經(jīng)成為Anthropic內(nèi)部，不可或缺的工具。在早期測試中，Claude一次性就完成人類需要45分鐘的任務(wù)。
也就是說，你做產(chǎn)品經(jīng)理，AI給你打工寫代碼。
雖沒有Claude 4，Anthropic這波突如其來的打法，實屬給AI界又一震撼。
這半個月，注定是2025開年以來AI含金量最高的。
Grok 3上周剛發(fā)布，這周DeepSeek連續(xù)開源5天，OpenAI GPT-4.5據(jù)稱也要上線，再加上Claude 3.7 Sonnet，大模型領(lǐng)域的混戰(zhàn)又開始了。
全球首款「混合推理」模型誕生
在官方博文中，Anthropic稱，Claude 3.7 Sonnet是Anthropic迄今為止最智能的模型，也是市場上首個混合推理模型。
Claude 3.7 Sonnet能夠產(chǎn)生幾乎即時的響應(yīng)或逐步展示思考過程的詳細步驟，這些步驟對用戶是可見的。API用戶還可以精細控制模型的思考時間。
在編碼和前端網(wǎng)頁開發(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LLM整體能力
Claude 3.7 Sonnet的設(shè)計理念與市場上其他推理模型不同。
Anthropic相信，就像人類使用一個大腦來處理快速反應(yīng)和深度思考一樣，推理應(yīng)該是前沿模型的整體能力，而不是一個完全獨立的模型。這種統(tǒng)一的方法為用戶提供了更流暢的體驗。
Claude 3.7 Sonnet在幾個方面體現(xiàn)了這一理念。
首先，Claude 3.7 Sonnet既是普通的語言模型（LLM），也是一個推理模型：可以選擇在什么時候希望模型正?；卮穑裁磿r候希望它在回答之前思考更長的時間。
在標(biāo)準(zhǔn)模式下，Claude 3.7 Sonnet是Claude 3.5 Sonnet的升級版本。
在擴展思考模式下，它在回答之前進行自我反思，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，兩種模式對模型的提示效果相似。
其次，通過API使用Claude 3.7 Sonnet時，用戶還可以控制思考的預(yù)算——
你可以告訴Claude在回答時最多思考N個tokens，N的最大值為128K tokens的輸出限制。這使得用戶可以在速度（和成本）與回答質(zhì)量之間進行權(quán)衡。
第三，在開發(fā)推理模型時，Anthropic在數(shù)學(xué)和計算機科學(xué)競賽問題上的優(yōu)化程度稍微降低，而是將重點轉(zhuǎn)向了更能反映企業(yè)實際使用LLM的現(xiàn)實世界任務(wù)。
Claude 3.7 Sonnet在SWE-bench Verified上刷線SOTA，該評測旨在評估AI模型解決現(xiàn)實世界軟件問題的能力
Claude 3.7 Sonnet在TAU-bench上刷新SOT，TAU-bench是一個測試AI智能體在復(fù)雜現(xiàn)實世界任務(wù)中與用戶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，擴展思考模式在數(shù)學(xué)和科學(xué)領(lǐng)域帶來了顯著提升。除了傳統(tǒng)基準(zhǔn)測試外，它甚至在寶可夢游戲測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，Sonnet系列一直是全球開發(fā)者的首選模型。
今天，Anthropic的首個智能體編碼工具Claude Code誕生，目前以限量研究預(yù)覽的形式發(fā)布。
Claude Code主動與人協(xié)作，能夠搜索和閱讀代碼、編輯文件、編寫和運行測試、提交并將代碼推送至GitHub，以及使用命令行工具——同時確保用戶在每一步都能參與其中。
此外，本次更新還改進了Claude.ai上的編碼體驗。
現(xiàn)在，所有Claude套餐都支持GitHub集成——開發(fā)者能夠?qū)⒋a倉庫直接連接到Claude。
作為Anthropic迄今為止最強大的編碼模型，Claude 3.7 Sonnet能更深入地理解個人項目、工作項目和開源項目，并一舉成為修復(fù)bug、開發(fā)新功能以及編寫GitHub文檔的強大助手。
目前，Claude Code還處于早期階段，但已經(jīng)成為Anthropic團隊不可或缺的工具，尤其是在測試驅(qū)動開發(fā)、調(diào)試復(fù)雜問題和大規(guī)模重構(gòu)方面。
在早期測試中，它能夠一次性完成了通常需要手動工作45分鐘以上的任務(wù)，顯著減少了開發(fā)時間和工作量。
在接下來的幾周里，Anthropic計劃根據(jù)使用情況不斷改進它：提升工具調(diào)用的可靠性、增加對長時間運行命令的支持、改進應(yīng)用內(nèi)渲染效果，并擴展Claude對自身能力的理解。
全新的測試時Scaling
Claude作為AI智能體
Claude 3.7 Sonnet具備了一項被稱為「行為擴展」（action scaling）的新特性——這種改進使其能夠迭代調(diào)用函數(shù)、響應(yīng)環(huán)境變化，并持續(xù)操作直到完成開放式任務(wù)。
例如在計算機使用方面：Claude能夠通過發(fā)出虛擬鼠標(biāo)點擊和鍵盤按鍵來代替用戶完成任務(wù)。與前代相比Claude 3.7 Sonnet能夠在計算機使用任務(wù)中投入更多的交互次數(shù)，同時配備更充足的時間和計算資源，因此往往能取得更好的結(jié)果。
這一進步在OSWorld評估中得到了充分體現(xiàn)，這是一個用于評估多模態(tài)AI智能體能力的測試平臺。
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)與虛擬計算機交互，其性能優(yōu)勢還會隨時間推移而不斷擴大。
Claude的擴展思考模式與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)中實現(xiàn)了重大突破。
以玩游戲為例——特別是在Game Boy掌機經(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)進行游戲，實現(xiàn)長達數(shù)萬次的持續(xù)交互。
在下圖中，他們對比了具備擴展思考能力的Claude 3.7 Sonnet與之前版本的Claude Sonnet在口袋妖怪游戲中的進度。
如圖所示，早期版本在游戲伊始就難以推進，Claude 3.0 Sonnet甚至無法走出故事起點真新鎮(zhèn)的初始小屋。
而Claude 3.7 Sonnet憑借改進后的AI智能體能力取得了顯著進展，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程中不斷提升自身能力。
串行與并行測試時計算Scaling
當(dāng)Claude 3.7 Sonnet運用其擴展思考能力時，可以說它利用了「串行測試時計算」機制。
具體而言，它會在生成最終輸出之前，執(zhí)行多個連續(xù)的推理步驟，并在此過程中持續(xù)增加計算資源投入。
總體來看，這種機制能夠以可預(yù)測的方式提升其性能表現(xiàn)：例如，在數(shù)學(xué)問題求解方面，其準(zhǔn)確率會隨著允許采樣的「思考Token」數(shù)量的增加呈對數(shù)增長。
Claude的研究人員還在探索使用并行測試時計算來提升模型性能。
具體方法是通過采樣多個獨立的思維過程，并在不預(yù)先知道正確答案的情況下選擇最佳結(jié)果。這可以通過多數(shù)表決或共識投票機制來實現(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LLM來驗證其工作成果，或采用經(jīng)過訓(xùn)練的評分函數(shù)來選擇最優(yōu)答案。
這些優(yōu)化策略（及相關(guān)研究工作）已在多個AI模型的評估報告中得到驗證。
在GPQA評估中，他們通過并行測試時計算Scaling取得了突破性進展。
具體而言，通過調(diào)用等同于256個獨立樣本的計算資源，結(jié)合訓(xùn)練優(yōu)化的評分模型，并設(shè)置最大64,000個Token的推理限額，Claude 3.7 Sonnet在GPQA測試中達到了84.8%的總體得分（其中物理學(xué)部分高達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。
下圖列出了評分模型方法和多數(shù)表決方法的詳細結(jié)果。
這些方法能夠提升Claude回答的質(zhì)量，而且通常無需等待其完成推理過程。同時進行多個不同的深度思維運算，Claude能夠探索更多問題解決思路，顯著提升正確答案的輸出頻率。
三步路線圖，Claude合作者已來
Claude 3.7 Sonnet和Claude Code標(biāo)志著，向真正增強人類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未來，在那里人工智能豐富了人類所能實現(xiàn)的事情。
如今，Claude合作者已來。
最新版，可以免費用了
值得一提的是，Claude 3.7 Sonnet目前已經(jīng)在Claude.ai平臺上線，Web、iOS和Android用戶皆可免費體驗。
對于希望構(gòu)建自定義AI解決方案的開發(fā)者，可以通過Anthropic API、Amazon Bedrock以及Google Cloud的Vertex AI進行訪問。
在標(biāo)準(zhǔn)模式和擴展思考模式下，Claude 3.7 Sonnet的價格與其前代產(chǎn)品相同：3美元/百萬輸入token，15 美元/百萬輸出token ——這其中包括了思考token的費用。
Anthropic套餐定價
AI大佬測試
賓夕法尼亞大學(xué)沃頓商學(xué)院的教授Ethan Mollick已經(jīng)在過去幾天對Claude 3.7進行了測試，
Claude 3.7經(jīng)常給他帶來與第一次使用ChatGPT-4時相同的感覺：既驚嘆不已，又對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)在可以通過自然對話或文檔獲得可運行的程序，而無需任何編程技能。
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)計的交互式可視化效果，沒有任何錯誤。
這些圖形雖然很簡潔，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逐步演示來解釋相關(guān)概念，而這并不是我們要求它做的。
這種對需求的預(yù)判和對新方法的思考是AI領(lǐng)域中的一項新突破。
再舉一個更有趣的例子，Ethan Mollick告訴Claude：「給我做一個交互式的時間機器裝置，讓我可以穿越回過去，并發(fā)生一些有趣的事情。挑選一些不尋常的時間點讓我回去...」 以及 「添加更多圖像?！?/p>
僅僅這兩條提示之后，就出現(xiàn)了一個功能齊全的交互式體驗，甚至還配有粗糙但迷人的像素圖像（這些圖像實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，而無法看到它正在創(chuàng)建的內(nèi)容，就像一個被蒙住眼睛的藝術(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