2025年5月23日●阅读时间约5分钟
Claude 一边处理多个任务的插图：
Anthropic今天正式推出Claude模型新一代产品：Claude Opus 4 和 Claude Sonnet 4，编程能力、高阶推理以及AI智能体应用方面设立全新标准：
- Claude Opus 4是目前全球最强编程模型，在复杂且持续运行的任务和智能体流程中表现尤为突出
- Claude Sonnet 4则在Sonnet 3.7基础上一次重大升级，更精准理解并响应用户指令，同时在编程和推理方面表现更出色
- 扩展推理与工具调用功能（Extended thinking with tool use）：两款新模型均可在进行深入思考时调用工具（如网页搜索），可在推理与工具使用之间切换，以提升回答质量
- 新增模型能力：支持并行调用多个工具、更精准执行指令；若开发者开放本地文件访问权限，Claude还能大幅提升记忆能力，提取并保存关键事实，帮助模型保持上下文一致性并逐步构建隐性知识
- Claude Code 正式发布：在预览阶段获得大量积极反馈后，扩展了开发者与Claude协作方式。现支持通过GitHub Actions后台运行，并与VS Code和JetBrains原生集成，可在代码文件中直接显示修改，提升协作效率。
- 新增API能力：Anthropic API推出四项新功能，助开发者构建更强大AI智能体，包括代码执行工具、MCP连接器、文件API以及提示缓存功能（最长可达1h）
Claude Opus 4与Sonnet 4属混合型模型，支持两种运行模式：
- 即时响应
- 深度推理
Pro、Max、Team和Enterprise订阅用户可使用两个模型及其扩展推理功能，免费用户也可用Sonnet 4。这两款模型已上线Anthropic API、Amazon Bedrock和Google Cloud的Vertex AI平台，价格与此前版本保持一致：
- Opus 4每百万tokens收费为15
$（输入）/75$（输出） - Sonnet 4则为3
$/15$
Anthropic目前最强大模型，也是全球顶尖编程模型，在SWE-bench（72.5%）和Terminal-bench（43.2%）领先。在需持续专注数小时的大型任务中表现出色，远超所有Sonnet模型，大幅提升AI智能体的执行能力。
Claude Opus 4在编程和复杂问题解决方面表现尤为出色，推动了
- Cursor称其为“编程领域的最新标杆”，并极大提升对复杂代码库的理解能力
- Replit反馈其精度显著提升，能高效处理跨文件的复杂改动
- Block认为这是首个在编辑和调试过程中能稳定提升代码质量的模型，其内部代号为“goose”的智能体正使用它
- Rakuten通过一项耗时7h的开源重构任务验证了它的稳定性
- Cognition指出，Opus 4能解决其他模型无法应对的挑战，成功处理以往模型常出错的关键任务
Claude Sonnet 4在Sonnet 3.7基础明显提升，SWE-bench成绩达72.7%，在兼顾性能与效率的同时，增强模型可控性。虽多数场景不及Opus 4，但提供更实用性能组合。
- GitHub表示，Claude Sonnet 4在智能体场景表现卓越，将用于GitHub Copilot全新编程智能体
- Manus称其在复杂指令执行、清晰推理和输出美观度方面都有明显改进
- iGent报告称其在自动开发多功能应用方面表现优异，导航错误率几乎降为零
- Sourcegraph认为这是软件开发领域的一次重大飞跃，模型更能保持任务专注，理解更深入，生成的代码更优雅
- Augment Code表示，Sonnet 4成功率更高、代码修改更精细、在复杂任务中处理更谨慎，是他们的首选主力模型
这些模型全面推动客户的AI战略：Opus 4在编程、科研、写作和科学发现等领域突破边界，而Sonnet 4则以更高性价比提升日常工作效率，是Sonnet 3.7的理想升级。
Claude在软件工程任务中的对比图
Claude 4模型在SWE-bench Verified测试中领先，这是一个真实软件工程任务的性能基准。
Claude 4系列在编程、推理、多模态能力及智能体任务中均表现出色。
除了扩展推理、并行工具使用与记忆能力提升外，我们大幅减少了模型在完成任务时“走捷径”或利用“漏洞”的行为。在特别容易出现这些行为的智能体任务中，新模型发生此类情况的概率比Sonnet 3.7低65%。
Opus 4在记忆能力方面也远超以往模型。当开发者允许其访问本地文件时，它能高效创建并维护“记忆文件”，记录关键信息，提升长期任务的连贯性与表现。
最后，我们为Claude 4引入了“思考摘要”功能，可利用小模型浓缩复杂的思维过程。仅约5%的情况下需要进行摘要，大多数推理过程足够简洁可完整展示。
现已全面开放的Claude Code，将Claude的强大功能延伸至您的开发流程中：支持终端使用、主流IDE集成、并可后台运行。
为VS Code与JetBrains推出了测试版扩展，Claude提出的代码修改将直接显示在文件中，使代码审查与追踪更加便捷。在IDE终端中运行Claude Code即可安装。
还发布了可扩展的Claude Code SDK，方便您基于其核心构建自己的智能体与应用。还提供了一个示例：GitHub上的Claude Code（测试版）。在PR中标记Claude Code，即可自动响应审查意见、修复CI错误或修改代码。安装方式：在Claude Code中运行/install-github-app。
这些模型是迈向“虚拟协作者”的重要一步——能保持完整上下文、持续专注长期项目，并带来颠覆性成果。我们进行了大量测试与评估，以最大限度地降低风险并确保安全，包括启用ASL-3等级保护措施。
- OpenAI：
- Gemini：
- Claude：
Claude Opus 4 和 Sonnet 4 是混合推理模型。本文所展示的基准测试分数，展示了模型在启用或未启用扩展推理时的最高表现。每项测试结果下方注明了是否使用了扩展推理功能：
- 未使用扩展推理的测试：
- SWE-bench Verified
- Terminal-bench
- 使用扩展推理（支持最多64K tokens）的测试：
- TAU-bench（未提供不使用扩展推理的结果）
- GPQA Diamond
- 未使用扩展推理时：Opus 4得分为74.9%，Sonnet 4为70.0%
- MMMLU
- 未使用扩展推理时：Opus 4得分为87.4%，Sonnet 4为85.4%
- MMMU
- 未使用扩展推理时：Opus 4得分为73.7%，Sonnet 4为72.6%
- AIME
- 未使用扩展推理时：Opus 4得分为33.9%，Sonnet 4为33.1%
我们为航空与零售领域的代理策略添加了提示附录，引导Claude在使用工具和扩展推理时，更好地发挥其推理能力。模型在多轮对话任务中被鼓励记录自己的思考过程，与平常的推理模式区分开来，以充分发挥其分析能力。
为适应Claude因更深入思考而增加的响应步骤数量，最大步骤数从30步上调至100步（大多数任务在30步内完成，仅有一个超过50步）。
Claude 4系列在此项测试中仍使用此前版本中介绍的简单工具架构，仅包含两种工具：bash终端工具与文件编辑工具，通过字符串替换方式操作文件。不再包含Claude 3.7 Sonnet使用的第三种“计划工具”。
所有Claude 4模型的测试基于完整的500道题目进行评分。OpenAI的模型成绩则基于477道题的子集。
为获取更复杂任务下的准确评分，我们采用以下策略增加测试复杂度并启用并行计算资源：
- 多次并行生成答案
- 丢弃会破坏可见回归测试的代码补丁（类似于Agentless（Xia等人，2024）的拒绝采样方法；不使用隐藏测试信息）
- 使用内部评分模型，在保留下来的候选答案中选出最优解
最终得分如下：
- Opus 4：79.4%
- Sonnet 4：80.2%