Claude 4 发布：编程智能体、基准测试与 Claude Code

2025 年 5 月，Matthew Berman 回顾 Anthropic 关于 Claude Opus 4 和 Claude Sonnet 4 的公告。他重点讨论编程智能体和较长任务，并引用 Anthropic 声称 Opus 4 是领先编程模型的说法。这些说法和所展示示例属于发布时的厂商报告，并非普遍或当前的排名。

两个模型都是混合系统，提供近乎即时的回答和扩展思考模式。Anthropic 表示，它们可以在扩展思考期间使用工具，并并行调用多个工具。Berman 说自己只提交了少量提示便达到使用限额，计划进行更广泛的测试。

Berman 展示 Claude 界面及其搜索和工具选项。他还强调 Model Context Protocol 和 Claude Code；后者与模型一起正式开放。他认为这些集成有助于支持长期运行的应用。

Anthropic 引用了一个客户案例：一项开源重构持续了七小时。公告还列出四项 API 能力：代码执行、MCP 连接器、Files API 和最长一小时的提示缓存。这是精选客户报告，并不能保证任意任务都能成功运行那么久。

Berman 解释代码执行、连接工具、处理文件和缓存重复提示内容的作用。他认为这些功能指向以基础设施和编程智能体为重点的战略，并称 Anthropic 放弃了聊天机器人竞赛。这是他的解读；此次发布仍在 Claude 产品中提供这些模型。

他指出 GitHub Copilot 和其他编程平台集成了 Claude 模型，并引用合作伙伴关于智能体表现改善的说法。Berman 认为工具使用、记忆和长时间任务是共同主题。视频随后介绍 Box 的部分属于赞助内容。

转向基准测试时，Berman 提醒分数只能反映部分情况。Anthropic 的 SWE-bench Verified 图表显示，标准设置下 Opus 4 得分 72.5%，Sonnet 4 得分 72.7%；使用额外的并行推理时计算后分别为 79.4% 和 80.2%。

Anthropic 的高计算量方法会并行采样多次尝试，筛除破坏可见回归测试的补丁，再用内部评分模型从剩余候选中选择。Berman 注意到图中 Sonnet 的分数略高于 Opus，并说自己最初觉得 Opus 更快只是个人观察。

发布表格中，Opus 4 的 Terminal-bench 得分为 43.2%，Sonnet 4 为 35.5%。Berman 还查看了科学推理、工具使用、多语言问答、视觉推理和 AIME 数学结果。比较时需要考虑各项评估条件和智能体脚手架；这些分数不能互换作为通用能力的衡量标准。

Berman 展示了一张与 Sonnet 3.7 比较的标注图，指出 Sonnet 4 有些结果相近或更低，另一些则有所提高。他质疑一概而论的全面进步叙事。变化的方向和意义取决于基准、测试配置和不确定性，不能只看颜色标记。

Anthropic 报告，在一组容易出现捷径或漏洞的精选智能体任务上，新模型出现这类行为的可能性比 Sonnet 3.7 低 65%。Berman 还介绍了公司关于记忆改善的说法。这些是针对特定任务的厂商测量，并不能证明捷径或记忆失误已经消失。

记忆示例要求开发者提供本地文件访问权限：Anthropic 表示，Opus 4 可以编写和维护笔记以保存相关信息，Pokémon 导航指南就是例子。Berman 设想越来越个性化的智能体，但该示例不能证明每次对话都会自动学习或无限期记忆。

Anthropic 表示，较小模型可以将较长的思考过程压缩为摘要，需要原始思维链的用户可以联系销售了解 Developer Mode。Berman 评论了详细推理的可获得性；公司在发布说明中称，只有少数思考过程需要摘要。

Claude Code 正式开放，VS Code 和 JetBrains 测试版集成可在编辑器内显示建议修改。Anthropic 还宣布用于构建智能体的 SDK 和 GitHub 测试版：被标记的智能体可以处理审查反馈、修改代码或协助解决 CI 失败；生成的工作仍需审查。

Berman 引用一则报道，其中 Anthropic 首席科学家 Jared Kaplan 谈到转向复杂任务，并重申他认为公司优先发展智能体基础设施，而不是参与消费级聊天机器人竞赛。这是他对战略的解读，不能证明 Anthropic 停止提供 Claude 聊天机器人。

关于发布时期，Berman 列出 Opus 4 的 20 万 token 上下文窗口及 API 价格：每百万输入 token 15 美元、每百万输出 token 75 美元，并提到批处理折扣。他最后表示会进一步测试。这些是 2025 年 5 月的信息，并非当前价格指南。