Anthropic протестировала свою последнюю модель ИИ Claude 3.7 Sonnet с помощью Pokémon Red

- Anthropic протестировала свою новейшую модель Claude 3.7 Sonnet на Pokémon Red для Game Boy от Nintendo.
- Модель достигла 12 игровых вех и выполнила более 35 тысяч действий.
- Claude 3.7 Sonnet может «думать» столько, сколько пожелает пользователь, в зависимости от сложности задачи.
Anthropic протестировала свою последнюю модель ИИ, Claude 3.7 Sonnet, на классической игре Pokémon Red на Nintendo Game Boy. Модель показала значительно лучшие результаты по сравнению с предыдущими версиями и смогла завершить 12 вех в игре.
В недавнем посте в блоге Anthropic раскрыла детали своих недавних тестов. Компания опубликовала график, показывающий «Вехи» в игре на оси Y и «Количество действий» на оси X. Она сравнила производительность 3.7 Sonnet с 3.5 Sonnet (новым), 3.5 Sonnet и 3.0 Sonnet. Среди этих моделей 3.7 явно показала лучшую производительность, выполнив более 35 тысяч действий для достижения общего количества 12 вех. Она успешно победила 3 лидеров залов в игре и получила соответствующие значки. Для сравнения, более ранняя модель Anthropic, 3.0 Sonnet, могла выполнить лишь несколько тысяч действий и не смогла пройти начальные этапы игры.

Относительно недавних тестов геймплея Anthropic отметила: «Pokémon — это веселый способ оценить возможности Claude 3.7 Sonnet, но мы ожидаем, что эти возможности окажут реальное влияние далеко за пределами игр».
Одной из уникальных особенностей Claude 3.7 Sonnet является «расширенное мышление». Подобно DeepSeek R1 и o3-mini от OpenAI, Claude 3.7 Sonnet способен рассуждать над более сложными задачами. Он делает это, затрачивая больше времени, и в обмен использует больше вычислительных мощностей.
Пока неясно, сколько вычислительных мощностей потребовалось Claude 3.7 для достижения вышеупомянутых результатов. Кроме того, Anthropic не уточнила, сколько времени модель потратила на достижение уровня Surge, последнего лидера зала в игре.
Безопасно предположить, что тестирование Pokémon Red — это просто легкий способ демонстрации возможностей новой модели. Это просто показывает, что новая модель способна к расширенному рассуждению и может потратить больше времени (если потребуется) на решение более сложных проблем. В конце концов, исследователи часто начинали тестировать возможности своих моделей, заставляя их играть в видеоигры, такие как Street Fighter, шахматы и многое другое.
Claude 3.7 Sonnet может думать столько, сколько пожелает пользователь
Похоже, Claude 3.7 Sonnet способен думать столько, сколько пожелает пользователь. Его называют «гибридной моделью ИИ-рассуждений», поскольку она дает ответы в реальном времени вместе с продуманными ответами. Пользователь сам решает, включать ли функции рассуждения, что приводит к тому, что Claude 3.7 Sonnet тратит больше или меньше времени на решение задачи.
Похоже, цель здесь — улучшить пользовательский опыт, упростив опции. Большинство чат-ботов сегодня имеют выбор модели, который rather confusing для среднего пользователя. Эти модели обычно имеют диапазон настроек и различаются по возможностям. Например, у ChatGPT от OpenAI также широкий спектр предложений.
На самом деле, Сэм Альтман недавно упомянул в обновленном дорожном плане своей компании, что долгосрочная цель OpenAI — объединить предложения ChatGPT, чтобы пользователи могли искать решения своих проблем на ходу. В этом смысле ChatGPT также может принять агентно-центричный подход.
Claude 3.7 Sonnet дороже, чем DeepSeek R1 и o3-mini
Anthropic недавно выпустила Claude 3.7 Sonnet для разработчиков и пользователей в понедельник. Однако функции рассуждения модели доступны только тем, кто выбирает премиальные планы чат-бота. На данный момент она стоит всего $3 за миллион входных токенов и $15 за миллион выходных токенов. Это означает, что пользователь может ввести 750 000 слов за $3. Следовательно, она дороже как R1 от DeepSeek, так и o3-mini от ChatGPT. Однако эти две модели не являются гибридными, как Claude 3.7 Sonnet; они являются строго «моделями рассуждений».
Модели рассуждения обычно работают медленнее и требуют больше времени для ответа на вопрос. Некоторые примеры включают Grok 3 (Think) от xAI, Gemini 2.0 Flash Thinking от Google, R1 от DeepSeek и, конечно же, модель o3-mini от ChatGPT.
Согласно Дианне Пенн, руководителю продукта и исследований в Anthropic, компания хочет, чтобы Claude мог решать, как долго он будет думать над проблемой, вместо того чтобы пользователи должны были явно выбирать настройки. В этом отношении Anthropic заявила в своем посте в блоге: «Подобно тому, как у людей нет двух отдельных мозгов для вопросов, на которые можно ответить немедленно, против тех, которые требуют размышлений.»
Однако, в отличие от Grok 3 от xAI, который стремится быть менее ограничительным и более открытым для дискуссий, Claude 3.7 Sonnet откажется отвечать на определенные вопросы. Фактически, в начале этого месяца бета-версия Grok 3 пошла так далеко, что предложила смертную казнь для Трампа, что было названо «ужасным и плохим провалом», который впоследствии был исправлен, как подтвердил глава инженерного отдела xAI Игорь Бабущкин.

Однако по сравнению с его предыдущими моделями он отказывается реже и способен проводить различия между безобидными и вредоносными запросами. По словам Anthropic, ненужные отказы сократились на 45% по сравнению с предыдущей моделью, Claude 3.5 Sonnet.
Самые умные крипто-энтузиасты уже читают нашу рассылку. Хотите присоединиться? Присоединяйтесь.
Отказ от ответственности. Предоставленная информация не является торговой рекомендацией. Cryptopolitan.com Мы не несем ответственности за любые инвестиции, сделанные на основе информации, представленной на этой странице. Мы настоятельно рекомендуем проводить независимое исследование и/или проконсультироваться с квалифицированным специалистом перед принятием любых инвестиционных решений.

Шуммас Хумаюн
Шуммас — бывший технический копирайтер и исследователь.














