首个混合推理模型Claude 3.7发布！编程能力全面领先，还能控制思考时间

白交
2025-02-25
08:58:42

来源：量子位

白交 发自 凹非寺

量子位 | 公众号 QbitAI

Claude深夜重磅发布新模型——

Claude 3.7 Sonnet，首个混合推理模型问世，在编码和前端Web开发方面显著提升，实现了全面领先。

与o3-mini实际对比，相同的提示词下，Claude 3.7 Sonnet的表现。

o3-mini：

Claude 3.7 Sonnet：

（提示词：编写一个 p5.js 脚本，模拟 100 个彩球在球体内弹跳。每个球都应留下一条逐渐消失的轨迹，显示其最近的运动轨迹。容器球体应缓慢旋转。确保实现适当的碰撞检测，使球保持在球体内。）

还有用它来做视频游戏。

作为混合推理模型，它有两种思考模式：

近乎实时地反应&扩展地、循序渐进（step-by-step）地思考。

扩展思维模式下，它在数学、物理、指令遵循、编码等多个任务中有额外的提升。

API用户甚至还可以精准控制模型的思考时间。目前已经在全平台上线，包括亚马逊云服务Bedrock平台、谷歌云，而要想要扩展思考模式，除免费版外其他都可以用。

模型升级，价格不变——

与前代产品相同，每百万输入token 3 美元，每百万输出token 15 美元（其中包括思考代币）。

除此之外，他们还发布了他们首个编码工具Claude Code：

它能够一次性完成原本需要45分钟以上手动才能完成的工作。

网友们纷纷表示，已经迫不及待地想用上了。

不过，为什么是3.7版本呢？

Claude 3.7 Sonnet：首个混合推理模型

官方此次首先表示，他们开发Claude 3.7 Sonnet这个的理念与市场上其他推理模型不同。

类比于人类大脑有快速反应和深度思考两种一样，他们认为推理应该是前沿模型的综合能力，而不是完全独立的模型。

由此，Claude 3.7 Sonnet在多个方面都有体现这个理念。

首先，Claude 3.7 Sonnet 既是普通的 LLM 模型，又是推理模型：

您可以选择何时让模型正常回答，何时让模型在回答前思考更长时间。

在标准模式下，Claude 3.7 Sonnet 是 Claude 3.5 Sonnet 的升级版。在扩展思维模式下，它会在回答前进行自我反思，从而提高其在数学、物理、遵循指令、编码和许多其他任务上的表现。

在两种模式下，对模型的提示方式类似。

这是代码生成任务下，两种思维模式回答之间的区别。

其次，控制思考预算，用速度和成本来换取答案的质量。

API用户可以告诉Claude思考的数量不超过 N 个token，N 的值可以是任何值，但输出上限不能超过 128K个token。

模型能力的表现，也就取决于允许思考的token数量。例如以下在AIME 2024的成绩图。

第三，优化重点转向更能反映用户需求的现实世界任务，对数学和计算机竞赛问题优化较少。

△解决实际的概率问题

编码任务，网友们对它这种「vibe coding」（面对非开发人员的AI辅助编码）印象深刻。

有网友实测发现，确实能解决其他模型无法解决的问题。>你能用 p5js 编写最复杂的布料模拟吗？

结果Grok 3 和o1 pro没有可用的结果。而Claude 3.7 Sonnet的表现是：

在代理工具使用上面，实现了SOTA。

Claude 3.7 Sonnet 在指令遵循、一般推理、多模态能力和代理编码方面表现出色，扩展思维在数学和科学方面提供了显著的提升。

除了传统的基准测试之外，它甚至在宝可梦游戏测试中超越了所有以前的模型——

团队为Claude配备了基本内存、屏幕像素输入以及按键和屏幕导航的功能调用，使其能够超越通常的上下文限制，持续玩游戏，并通过数以万计的交互进行游戏。

最终实验表明，它是迄今所有Sonnet模型中表现最好的，它成功与三个宝可梦道馆馆主（游戏的 Boss）战斗并赢得他们的徽章。相比之下，Claude 3.0 Sonnet 甚至无法离开故事开始的地方Pallet Town 的房子。

x 轴表示 Claude 在玩游戏时完成的互动次数；y 轴表示游戏中的重要里程碑，包括收集某些物品、导航到某些区域以及击败某些Boss。

此次，研究人员使用了并行测试时间计算来提高模型的性能。

他们的方法是对多个独立思考过程进行采样，并在事先不知道真实答案的情况下选出最佳答案。其中一种方法是使用多数投票；选择最常见的答案作为 “最佳 ”答案。另一种方法是使用另一个语言模型（比如Claude的第二个副本），要求它检查自己的工作或学习的评分函数，然后选出它认为最好的答案。

结果在GPQA评估中，这一方法让模型取得了惊人的改进。

GPQA是一组常用的具有挑战性的生物、化学和物理问题。 Claude 3.7 Sonnet 使用 256 个独立样本的等效计算、学习的评分模型和最大64 token的思维成本之下，取得了 84.8% 的 GPQA 分数（包括 96.5% 的物理子分数）。

此外，Claude 3.7 Sonnet 还对有害请求和良性请求进行了更细致的区分，与前代版本相比，不必要的拒绝次数减少了 45% 。

Claude首个编码工具面世

Claude Code，从官方透露的功能看，它可以搜索和读取代码、编辑文件、编写和运行测试、提交和推送代码到 GitHub以及使用命令行工具。

目前还只是早期的预览版，可直接在终端运行。

早期测试中，Claude Code可以一次性完成了通常需要 45 分钟以上手动操作才能完成的任务，从而减少了开发时间和开销。

在接下来的几周内，他们计划结合他们使用情况不断改进它——

比如增强工具调用的可靠性，增加对长时间运行的命令的支持，改进应用内渲染，并扩展 Claude 对其功能的理解。

除此之外，他们还改进了 Claude.ai 上的编码体验。GitHub 集成现已在所有Claude使用平台中提供，开发人员可以将其代码存储库直接连接到 Claude。

参考链接：
[1]https://www.anthropic.com/news/claude-3-7-sonnet
[2]https://www.anthropic.com/research/visible-extended-thinking
[3]https://docs.anthropic.com/en/docs/build-with-claude/extended-thinking
[4]https://docs.anthropic.com/en/docs/agents-and-tools/claude-code/overview
[5]https://x.com/deedydas/status/1894110678027571412
[6]https://x.com/_akhaliq/status/1894106278185898489

Read More