Anthropic 2025. február 24-én bejelentette a Claude 3.7 Sonnet modellt, amelyet a vállalat a piac első hibrid gondolkodó modelljeként mutat be. A Sonnet egyszerre képes közel-azonnali válaszadásra és hosszabb, lépésről lépésre történő, a felhasználó számára látható „gondolkodásra”. Ugyanazon napon mutatták be a Claude Code nevű parancssori eszközt is, amely jelenleg korlátozott kutatási előnézetként érhető el.
Mikor és hol érhető el
Claude 3.7 Sonnet elérhető minden Claude-előfizetésen (Free, Pro, Team, Enterprise), továbbá a Claude Developer Platformon, Amazon Bedrockon és Google Cloud Vertex AI-ján. A hosszabb, kiterjesztett gondolkodás (extended thinking) mód minden felületen használható, kivéve a Free Claude csomagot.
Árazás: a modell mind standard, mind extended thinking módban ugyanazon áron marad, azaz 3 USD per millió input token és 15 USD per millió output token (az output tokenek közé a gondolkodásra fordított tokenek is számítanak). A felhasználó az API-n keresztül szabályozhatja, hogy a modell legfeljebb hány tokennyi „gondolkodást” végezzen, N értékig, az output korlát 128K tokenig terjed.
Miben különbözik a Sonnet
Anthropic filozófiája szerint a gondolkodási képességet nem külön modellként kell kezelni, hanem ugyanazon nagy modell integrált funkciójaként. Ennek megfelelően Claude 3.7 Sonnet egyszerre működik hagyományos LLM-ként és kettős módban aktív gondolkodó modellként: a felhasználó döntheti el, hogy rövid választ szeretne-e, vagy hogy a modell hosszabban, önreflektíven gondolkodjon a válasz előtt. A cég szerint az extended thinking különösen javítja a teljesítményt matematikai, fizikai, utasításkövetési és kódolási feladatokban.
A fejlesztők állítása szerint a Sonnetet kevésbé a versenyfeladatokra, inkább az üzleti, valós világban előforduló feladatokra optimalizálták.
Teljesítmény és korai értékelések
Korai tesztek több szervezet szerint is jelentős előrelépést mutattak a kódolásban és a full-stack fejlesztésben:
- Cursor: a valós kódolási feladatokban ismét best-in-class.
- Cognition: jobb a kódváltoztatások tervezésében és a teljes körű frissítések kezelésében.
- Vercel: kivételes pontosság komplex agent-munkafolyamatokban.
- Replit: képes komplex webalkalmazásokat és dashboardokat építeni nulláról, ahol más modellek megbuknak.
- Canva: gyakran gyártásra kész kódot állít elő jobb dizájn-ízléssel és kevesebb hibával.
Benchmarkok:
- Claude 3.7 Sonnet állítólag csúcsteljesítményt ért el a SWE-bench Verified teszten, amely valós szoftverhibák megoldását értékeli.
- Szintén állítólag vezet a TAU-bench-en, amely összetett, felhasználó- és eszközinterakciókat igénylő feladatokat vizsgál.
A Sonnet a vállalat belső Pokémon-játék tesztjeiben is felülmúlta a korábbi modelleket.
A cég részletesen leírja a „scaffolding” megközelítést: alapértelmezésben minimális kiegészítéssel dolgoznak, ahol a modell dönt arról, mely fájlokat szerkessze és mely parancsokat futtassa egyetlen munkamenetben. Egy „high compute” eljárással, párhuzamos próbálkozások mintavételezésével és egy rangsoroló modell használatával a Claude 3.7 Sonnet 70,3%-os eredményt ért el a 489 belső infrastruktúrán futtatható, ellenőrzött SWE-bench feladaton; ugyanazon részhalmazon, a scaffold nélkül 63,7%-ot produkált. Megjegyzés: az eredeti 500 feladatból 11 feladat nem volt futtatható a belső infrastruktúrán, ezeket a cég átláthatóság miatt külön közzétette.
Claude Code: parancssori, agentes kódolás
Claude Code egy korai, korlátozott kutatási előnézetként elérhető eszköz, amely agentként képes kódot keresni és olvasni, fájlokat szerkeszteni, teszteket írni és futtatni, commitolni és pusholni GitHubra, illetve parancssori eszközöket hívni — miközben a fejlesztőt folyamatosan tájékoztatja a lépésekről.
A cég közlése szerint a belső használat során a Claude Code olyan feladatokat végzett el egyetlen menetben, amelyek manuálisan több mint 45 percet vettek volna igénybe, ezáltal jelentősen csökkentve a fejlesztési időt. A következő hetekben az eszközt tovább finomítják: megbízhatóbb eszköhívások, hosszú futású parancsok támogatása, jobb megjelenítés az alkalmazáson belül és a modell saját képességeinek pontosabb belső ismerete szerepel a tervek között.
A GitHub-integráció mostantól minden Claude csomagon elérhető, így a fejlesztők közvetlenül csatlakoztathatják repoikat a Claude-hoz.
Biztonság, felelős fejlesztés
Anthropic állítása szerint kiterjedt vizsgálatokat és külső szakértői értékeléseket végeztek a Claude 3.7 Sonnet biztonsági, megbízhatósági és védelmi szempontjairól. A modell jobban megkülönbözteti a káros és ártalmatlan kéréseket: a cég szerint a fölösleges elutasítások aránya 45%-kal csökkent elődjéhez képest.
A kiadáshoz tartozó „system card” részletezi a Responsible Scaling Policy szerinti értékeléseket, a prompt injection típusú támadások vizsgálatát, illetve azt, hogyan tanították a modellt ezen támadások ellenállására és enyhítésére. A dokumentum kitér arra is, hogy a gondolkodó modellek milyen biztonsági előnyöket hozhatnak — például átláthatóbbá tehetik, hogyan jut el a modell egy döntéshez —, valamint a lehetséges új kockázatokra.
Következő lépések
Anthropic hangsúlyozza, hogy a Claude 3.7 Sonnet és a Claude Code fontos lépést jelentenek afelé, hogy az AI valóban kiegészítse az emberi képességeket: mélyen tudnak gondolkodni, autonóm módon dolgozni és hatékonyan együttműködni. A vállalat arra ösztönzi a fejlesztőket és szervezeteket, hogy csatlakozzanak a Claude Code előnézetéhez, és visszajelzéseikkel segítsék a termék és a modell továbbfejlesztését.
Anthropic további részleteket, a módszertanra és a tesztekre vonatkozó kiegészítéseket a közlemény mellékleteiben és a system cardon tette közzé.
