Anthropic evaluó su último modelo de IA Claude 3.7 Sonnet utilizando Pokémon Red

- Anthropic evaluó su más reciente modelo Claude 3.7 Sonnet utilizando Pokémon Red en la Game Boy de Nintendo.
- El modelo logró alcanzar 12 hitos dentro del juego y realizó más de 35.000 acciones.
- Claude 3.7 Sonnet puede “pensar” tanto como el usuario desee, dependiendo de la complejidad del problema.
Anthropic evaluó su último modelo de IA, Claude 3.7 Sonnet, en el clásico juego Pokémon Red en la Game Boy de Nintendo. El modelo tuvo un rendimiento significativamente mejor en comparación con las versiones anteriores y logró completar 12 hitos en el juego.
En un reciente artículo de blog, Anthropic reveló detalles de sus pruebas recientes. La compañía publicó un gráfico que muestra los 'Hitos' del juego en el eje Y y el 'Número de acciones' en el eje X. Comparó el rendimiento del 3.7 Sonnet con el 3.5 Sonnet (nuevo), el 3.5 Sonnet y el 3.0 Sonnet. Entre estos modelos, el 3.7 tuvo un rendimiento visiblemente superior, ya que realizó más de 35.000 acciones para alcanzar un total de 12 hitos. Tuvo éxito contra 3 líderes de gimnasio en el juego y obtuvo las respectivas insignias. Para comparar, el modelo anterior de Anthropic, el 3.0 Sonnet, solo pudo realizar unas pocas miles de acciones y no pudo superar las etapas iniciales del juego.

Respecto a sus recientes pruebas de juego, Anthropic señaló: "Pokémon es una forma divertida de apreciar las capacidades de Claude 3.7 Sonnet, pero esperamos que estas capacidades tengan un impacto real mucho más allá de jugar videojuegos".
Una característica única de Claude 3.7 Sonnet es que participa en el "Pensamiento extendido". Al igual que el R1 de DeepSeek y el o3-mini de OpenAI, Claude 3.7 Sonnet es capaz de razonar a través de problemas más desafiantes. Lo hace tomando más tiempo y, a cambio, utilizando más potencia de cómputo.
Aún no está claro cuánta potencia de cómputo consumió Claude 3.7 para lograr los hitos mencionados anteriormente. Además, Anthropic no ha aclarado cuánto tiempo tardó el modelo en llegar a Surge, el último líder de gimnasio del juego.
Es seguro asumir que las pruebas de Pokémon Red no son más que una forma ligera y divertida de mostrar las capacidades del nuevo modelo. Simplemente demuestra que el nuevo modelo es capaz de un razonamiento extendido y podría tomar más tiempo (si es necesario) para resolver problemas más complejos. Después de todo, los investigadores han comenzado frecuentemente a probar las capacidades de sus modelos haciéndolos jugar videojuegos como Street Fighter, ajedrez y más.
Claude 3.7 Sonnet puede pensar tanto como el usuario desee
Al parecer, Claude 3.7 Sonnet es capaz de pensar tanto como el usuario quiera. Se le describe como un "modelo de razonamiento de IA híbrido" porque ofrece respuestas en tiempo real junto con respuestas reflexivas. Depende del usuario activar sus capacidades de razonamiento, lo que resulta en que Claude 3.7 Sonnet pase más o menos tiempo en el problema.
Parece que el objetivo aquí es mejorar la experiencia del usuario simplificando las opciones. La mayoría de los chatbots actuales tienen un selector de modelos que resulta bastante confuso para el usuario promedio. Estos modelos suelen tener una gama de configuraciones y varían en capacidades. Por ejemplo, ChatGPT de OpenAI también tiene una amplia gama de ofertas.
De hecho, Sam Altman mencionó recientemente en el itinerario actualizado de su empresa que el objetivo a largo plazo de OpenAI es unificar las ofertas de ChatGPT para que los usuarios puedan buscar soluciones a sus problemas sobre la marcha. En ese sentido, ChatGPT también podría adoptar un enfoque centrado en agentes.
Claude 3.7 Sonnet es más caro que DeepSeek R1 y o3-mini
Anthropic lanzó Claude 3.7 Sonnet a desarrolladores y usuarios el lunes. Sin embargo, las características de razonamiento del modelo solo están disponibles para quienes elijan los planes premium de chatbot. Hasta ahora, cuesta solo $3 por millón de tokens de entrada y $15 por millón de tokens de salida. Esto significa que un usuario puede ingresar 750.000 palabras por $3. Por lo tanto, es más caro que tanto R1 de DeepSeek como o3-mini de ChatGPT. Sin embargo, estos dos modelos no son híbridos como Claude 3.7 Sonnet; son estrictamente 'modelos de razonamiento'.
Los modelos de razonamiento generalmente funcionan más lento y tardan más tiempo en responder a una pregunta. Algunos ejemplos incluyen Grok 3 (Think) de xAI, Gemini 2.0 Flash Thinking de Google, R1 de DeepSeek y, por supuesto, el modelo o3-mini de ChatGPT.
Según Dianne Penn, directora de producto e investigación en Anthropic, la empresa quiere que Claude pueda decidir cuánto tiempo dedicará a pensar en un problema, en lugar de que los usuarios tengan que elegir explícitamente la configuración. Al respecto, Anthropic declaró en su artículo de blog: "Al igual que los humanos no tienen dos cerebros separados para preguntas que pueden responderse de inmediato frente a aquellas que requieren reflexión".
Sin embargo, a diferencia de Grok 3 de xAI, que intenta ser menos restrictivo y más abierto a las discusiones, Claude 3.7 Sonnet se negará a responder ciertas preguntas. De hecho, a principios de este mes, la versión beta de Grok 3 llegó a sugerir una pena de m*uerte para Trump, una supuesta "terrible y mala falla" que desde entonces ha sido corregida, según confirmó Igor Babuschkin, jefe de ingeniería de xAI.

Sin embargo, en comparación con sus modelos anteriores, se niega con menos frecuencia y es capaz de hacer distinciones entre indicaciones benignas y dañinas. Según Anthropic, las negativas innecesarias se han reducido en un 45% en comparación con el modelo anterior, Claude 3.5 Sonnet.
No te limites a leer noticias sobre criptomonedas. Entiéndelas. Suscríbete a nuestro boletín. Es gratis.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.

Shummas Humayun
Shummas es un exredactor de contenido técnico e investigador.














