寰宇苦 OpenAI 挤牙膏久矣。

环视宇内，能够与 OpenAI 抗衡的敌手历历，Anthropic 旗下的 Claude 模子至少算是一个靠谱的强敌。

盼星星，盼月亮，莫得比及「超大杯」Opus 的亮相，但好在也等来了全新升级的大杯 Claude 3.5 Sonnet。

通俗总结此次更新的亮点：

拳打 GPT-4o，脚踢 Gemini 1.5 Pro，新版 Claude 3.5 Sonnet 发达遥遥率先Claude 3.5 Haiku 反映速率最快，性能逊色 GPT-4o mini构建 API，教 Claude 若何玩电脑教 Claude 玩电脑，AI 键盘侠来了？

此次更新的重头戏其实不是新模子，而是若何教 AI 玩电脑。

Anthropic 推出了一个公开测试的立异性功能「computer use」：通过 API 教 Claude 像个东谈主雷同操作电脑，能看屏幕、动光标、点按钮、打字……

通俗说便是，Claude 咫尺能用东谈主类遐想的圭臬器用和软件了。而修复者不错借此摆脱一些没趣的类似性历程任务，以致进行开放式任务，如扣问。

为了让 Claude 具备这种手段，Anthropic 通过一个 API 来让 Claude 能够感知并与计算机界面交互。

具体来说，修复者在交互过程中集成这一 API，让 Claude 将教唆（比如：「用我电脑上的数据，麇集网上信息填个表」）翻译成计算机教唆（比如：查验个表格，动动鼠标绽开个浏览器，导航到干系网页，然后用网上的数据把表格填满）。

暂时无法在飞书文档外展示此内容

▲案例展示，由 APPSO 通俗编译

OSWorld 是一个用于测试多模态智能体在果真计算机环境中实施开放式任务的能力的基准测试平台，鄙俗用来评估 AI 模子是否具备像东谈主类雷同使用计算机的能力。

Claude 3.5 Sonnet 在仅用截图的测试类别中得分 14.9%，远超第二名的 7.8%。在允许使用更多挨次时，Claude 的得分为 22.0%。

一些公司的居品照旧提前用上了这一功能。

举例，Replit 正在应用 Claude 3.5 Sonnet 的计算机操作与界面导航能力，为其 Replit 智能体居品修复一项枢纽功能，用于评估正在构建中的应用表率。

虽然，这种作念法其实并不簇新。

因为在此之前，Asana、Canva、Cognition、DoorDash、Replit 和 The Browser Company 照旧启动探索这些可能性，实施需要几十以致上百步的任务。

不外，假想很丰润，试验很骨感。

官方也坦诚，现时这一功能仍处于实验阶段，在操作计算机时速率较慢，况且时常会出现失实。一些通俗的操作——比如升沉、拖动、缩放，看似东谈主类一挥手就能措置的事儿，对 Claude 来说依然是个不小的挑战。

「在录制这些演示的过程中，咱们遭受了一些兴味的插曲。有一次，Claude 不贬抑终结了一个正在进行的万古分屏幕录制，效果整个的摄像素材齐丢失了。

之后，Claude 在咱们的编码演示破绽休息了一下，启动观赏黄石国度公园的像片。」

此外，Claude 通过截取屏幕的静态图像，然后将这些图像组合起来，以分解屏幕上发生的事情，但也正因此，它可能无法捕捉到屏幕上的顷然动作或告知，比如弹出窗口或快速变化的图标。

官方也说了，之是以提前发布一个实验品，是为了获得修复者的反馈，瞻望这功能跟着时分会逐渐有所考订。

Anthropic 修复者关系主宰 Alex Albert 还共享了一个兴味的资历。

在修复「computer use 」功能时，他们组织了一次工程故障排查会，标的是找出 API 中整个潜在的问题。

几位工程师聚在一个房间里责任几个小时，但很快就饿了，是以其中一位工程师的第一个「computer use 」央求是让 Claude 导航到外卖平台 DoorDash 并订购弥散的食品来喂饱内行。

Claude 想考了毛糙一分钟后， 临了给工程师们订了几份披萨。

网友也很快挖出了 computer use 功能断绝作念的清单：

在外交媒体或其他平台上创建账户发送电子邮件或音书在外交媒体上发布挑剔进行购买走访私东谈主信息完成考据码（CAPTCHA）生成、剪辑或修改图片打电话走访受限内容实施需要个东谈主身份考据的操作

真·推理模子之王，新模子编码遥遥率先

再来望望 Claude 3.5 Sonnet 交出的收获单。

尽管咫尺大模子榜单的公信力已不如往日，但基于合并套考题的逻辑下，咱们仍然能对新发布的模子有个初步了解。

拳打 GPT-4o，脚踢 Gemini 1.5 Pro，Claude 3.5 Sonnet 在 GPQA、MMLU Pro、HumanEVal 等一系列基准测试中发达亮眼，可谓是遥遥率先。

特别是在编码鸿沟，Claude 3.5 Sonnet 更是进一步拉大了率先上风。能够你会风趣，为什么基准测试里莫得出现与 OpenAI o1 模子的对比。

别急，Anthropic 预判了你的预判，官方给出的解释是：

咱们的评估表格中之是以莫得包含 OpenAI 的 o1 模子系列，是因为它们在反映前需要盛大的计算时分，这与大多数模子不同。这种内容上的离别使得进行性能相比变得复杂。

翻译一下便是，咱们想比但也不好比。

不外，在 SWE-bench Verified 的编码测试中，Claude 3.5 Sonnet 的发达从 33.4% 普及到 49.0%，跨越了整个公开可用的模子——包括 OpenAI o1-preview 等推理模子，以及多样智能体编码系统。

Claude 3.5 Sonnet 真·推理模子之王。

此外，在 TAU-bench 智能体器用测试中，Claude 3.5 Sonnet 也发达不俗。

TAU-bench 主要提供一个更接近果真天下应用场景的评估环境。

濒临零卖鸿沟问题，Claude 3.5 Sonnet 得分从 62.6% 提高至 69.2%，而濒临航空方面的问题，其收获也从 36.0% 高涨至 46.0%。

更紧迫的是，这些考订并未提高价钱或裁减慢度，Claude 3.5 Sonnet 仍保抓了与前代疏通的性价比。

官方博客中提到，编码能力的订恰是 Claude 3.5 Sonnet 的最大亮点。

GitLab 测试发现其推理能力普及了 10%，无特殊延伸，相当允洽多挨次的软件修复历程。The Browser Company 也指出，Claude 3.5 Sonnet 在自动化网页责任历程方面的发达超过了他们之前测试的整个模子。

当作追求极高安全统统的模子公司，Anthropic 当然也对 Claude 3.5 Sonnet 进行了不幸性风险评估，效果稳妥 ASL-2 圭臬。。

ASL-2 指的是知道出危急能力早期迹象的系统（举例能够给出如何制造生物兵器的教唆），但这些信息由于可靠性不及或无法超过搜索引擎能提供的信息而莫得太多用处。

简言之，Claude 3.5 Sonnet 再强，也还莫得到胁迫东谈主类的地步。

聊完性能最强的模子，接下来登场的是，反映速率最快的全新升级模子——Claude 3.5 Haiku。

光看纸面参数，中杯 Claude 3.5 Haiku 险些不失色于 GPT-4o mini，以致不错说，它照旧不错小赢一把，举座发达也与前代 Claude 3 Opus 发达抓平。

但价钱没变，反映速率也没减，有种「加量不涨价」的错位体验。

类似地，Claude 3.5 Haiku 在在编码任务的发达也尤为杰出。举例，它在 SWE-bench Verified 上的得分为 40.6%，跨越了许多所谓的开端进智能体，包括它的 Claude 3.5 Sonnet（原版）和 GPT-4o。

低延伸、考订的教唆实施能力以及更精确的器用使用能力，这些特色齐让 Claude 3.5 Haiku 尤其适用于需要个性化劳动的场景中。

比如阐明你曩昔买东西的习尚来推选商品，或者帮你决定商品的价钱，以致是帮你看护仓库里的存货。

临了，升级版的 Claude 3.5 Sonnet 现已面向所灵验户开放。而 Claude 3.5 Haiku 将于本月晚些工夫发布，初期只赈济文本输入，图像输入功能随后推出。

如若你最近眷注 AI 圈，你会发现行业里的几位紧迫东谈主物齐玩起了「断事如神」。

Demis Hassabis、Yann LeCun、Sam Altman 和 Anthropic 的 Dario Amodei，齐声称 AGI 将在异日几年内达成，时分鸿沟从 2025 年到 2030 年不等。

他们画了一张又一张堪比乌托邦的 AGI 蓝图，如治疗大多数疾病、解决征象问题、袪除辛勤等，如若汇总几篇长文的中枢想想，AI 险些成了手到病除的神药。

但话说追思，信心还得是靠真刀真枪的居品来评释。

在莫得可靠、可抓续的营业形态下，这个行业只可靠对 AGI 的「盲信」来防守上流的投资和支拨，就好像挂在驴前边的那根晃荡的萝卜。

换言之，今天发布的 Claude 模子等一系列居品功能亦然在让咱们重拾信心，而按照以往的居品发布节拍，OpenAI 瞻望也将近开端了。

不同之处在于，OpenAI 的兵器库显著更丰富。能够下一个亮相的会是 OpenAI o1 的郑再版，又或者是「期货」Sora。

接下来，咱们就翘首企足，看 OpenAI 如何「亮剑」了。