跳到正文

#Anthropic

RSS
今日 2 則
今天11月23日週一
  1. Dev.to Top Tech67

    Artificial Analysis 評比 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    GPT-6.2 Astra 和 Sol 的回答變短了,但回答方式的改變不代表答案變得更準或更不準。Artificial Analysis 比較多個模型後發現,Astra 和 Sol 的回答篇幅與段落標題都減少,直接先給答案、聽起來自然的分數則上升;透明度分數分別是 41 和 57,低於 Fable 5.2 的 81 與 Opus 5.5 的 90。這些分數反映模型怎麼表達,不是回答正確率;在重要情境中,使用者不能只靠模型是否承認不確定來判斷內容可信度。

  2. Dev.to Top Tech73

    GPT-6.2 Astra、Sol 與 Claude Opus 5.5 評測:Sol 在 SimpleBench 的分數低於 6.1

    換上新模型後,分數變好、價格不變,聽起來很合理,但 SimpleBench 的結果給出不同訊號。作者整理排行榜、廠商公佈的數字和價格,指出 GPT-6.2 Sol 得分 69.9%,低於同價的 GPT-6.1 Sol 的 82.9%;GPT-6.2 Astra 得分 77.3%,Claude Opus 5.5 則是 88.4%。作者沒有親自跑測試,數字來自排行榜和廠商資料;他也提醒,SimpleBench 主要測容易被細節誤導的題目,不等於所有工作表現。文章建議先用自己的工作內容比較新舊模型,並以完成一項工作的總成本來衡量價格。

11月22日週日
  1. The New Stack77

    GPT-6.2 Astra 和 Claude Fable 5.2 實測:準確度接近,費用與速度差很多

    選模型時,答得準不準只是其中一件事,花多少錢、等多久也會影響實際使用。作者用月底帳務、帳務程式修正和實驗室資料分析三種工作比較 GPT-6.2 Astra 與 Claude Fable 5.2;兩者在帳務和資料分析都拿滿分,Fable 5.2 在程式測試多拿 2 分。整體來看,Astra 花費較低、完成較快,但在程式測試中漏掉一條會影響顧客帳單的規則。作者建議先讓 Astra 重做幾次並比對結果,有錯誤或差異時,再用 Fable 5.2 複核。

    推薦理由:三種工作測試顯示兩個模型的準確度接近,但花費和完成時間差距很大,能幫助讀者依錯誤代價選擇模型與複核方式。

  2. The Decoder61

    Artificial Analysis 比較 GPT-6.2 Astra、Sol 與 Claude 的回答風格

    AI 模型回答得更精簡,不一定代表回答更可靠;不同模型也可能用不同方式表達不確定。Artificial Analysis 比較 GPT-6.2 Astra、Sol 和 Claude Fable 5.2、Opus 5.5,發現 Astra 和 Sol 的回答變短,也更快切入問題;Claude 在透明度和組織方式的分數較高。這些分數是和其他受測模型相比的風格排名,不是答案正確率;透明度分數較低,也不代表模型更常答錯。

  3. The New Stack72

    實測 GPT-6.2 Sol 和 Claude Opus 5.5:分數略低,費用省很多

    模型分數差不多時,花多少錢和出錯會造成什麼影響,也會左右選擇。作者用相同的三項工作測試 GPT-6.2 Sol 和 Claude Opus 5.5:程式修正與實驗資料分析兩項,兩者都拿滿分;處理帳務時,Opus 5.5 得 173 分,Sol 得 169 分,少算了一筆約 $2,400 的停機折抵。三項測試合計,Sol 花 $0.51、用時 290 秒;Opus 5.5 花 $2.79、用時 586 秒。作者認為 Sol 省很多,但涉及重大後果的工作仍可讓 Opus 5.5 做最後檢查。

11月21日週六
  1. Dev.to Top Tech39

    Sonnet 5.5 和 Sonnet 5 怎麼選?實際使用成本與速度比較

    同一項工作交給 Sonnet 5 和 Sonnet 5.5,哪個比較適合?一間工作室記錄了兩種模型的實際使用情況:Sonnet 5 每次花 $0.01007,較便宜;Sonnet 5.5 每次花 $0.01755,但平均只要 2.0 秒,速度比 Sonnet 5 的 2.6 秒快。兩種模型都沒有發生失敗,不過 Sonnet 5.5 使用次數較多,兩者也不是同時測試。 工作室後來繼續使用 Sonnet 5.5,但這份紀錄沒有說明轉換原因,也沒有比較答案品質。Sonnet 5.5 每次收到的輸入資料比較多,所以成本差異不能只歸因於模型價格。這些結果只反映這項工作和這間工作室的用量;如果你最在意每次成本,Sonnet 5 較省,若在意速度,這次的紀錄則是 Sonnet 5.5 較快。

  2. aihot52

    Anthropic 數學家 Levent Alpöge 宣稱與 Claude 合作證明黎曼猜想

    黎曼猜想是數學界的重要難題,但這項宣告目前沒有附上論文。Anthropic 數學家 Levent Alpöge 在個人網站表示,他與 Claude 合作證明瞭黎曼猜想,並公佈 14 個壓縮檔,裡面有 175187 個 Lean 檔案、共 1737 萬行程式碼。文章整理了這項宣告的技術路線,也指出驗證工作尚未完成,因此目前應把它視為待查證的證明主張。

11月20日週五
  1. Dev.to Top Tech79

    Gemini 4 Neon 和 Claude Opus 5.5 寫程式比較:哪些結果有資料佐證?

    挑寫程式的 AI 模型時,單看哪個跑分高,可能看不出實際差別。這篇文章整理 Gemini 4 Neon 和 Claude Opus 5.5 的公開比較:Google 的資料顯示 Neon 在部分基準測試領先,Opus 5.5 則在另外兩項測試小幅領先;另一項編碼助理指標中,兩者分數接近。文章也列出估算的每項編碼任務費用,Neon 約 $6.86,Anthropic 的兩種設定約 $12.61 至 $15.47。作者提醒,最高思考設定會讓輸出 token 數增加一倍以上,建議先用自己的專案測試再決定是否更換。

    推薦理由:文章整理 Gemini 4 Neon 與 Claude Opus 5.5 的基準測試、任務成本和輸出差異,能幫助讀者看懂比較結果的適用範圍。

  2. Dev.to Top Tech81

    Gemini 4 Hydrogen 和 Claude Sonnet 5.5 怎麼選?比較測試表現與成本

    挑寫程式用的模型,不能只看每個 token 的價格,還得看工作型別和完成任務要花多少錢。文章比較 Gemini 4 Hydrogen、Claude Sonnet 5.5 和 GPT-6.1 Sol:Google 公佈的測試中,Hydrogen 在 9 項裡贏了 6 項,較適合呼叫工具和修 bug;Sonnet 5.5 則在終端機操作、電腦使用和科學命令列測試勝出。獨立評分中,Sonnet 5.5 略高於 Hydrogen;Hydrogen 產生的文字較多,因此每個 token 較便宜,不一定代表每項工作花費更低。文章也整理了價格與使用方式,並建議用自己的工作測試再決定。

    推薦理由:文章並列 Google 公佈的測試與獨立評分,也提醒輸出較長會拉高每項工作的成本,方便依實際工作型別比較模型。

11月19日週四
  1. Dev.to Top Tech70

    Gemini 4 Neon、GPT-6.2 Astra 和 Claude Fable 5.2 怎麼選?比較評分與任務費用

    挑大型語言模型時,只看每個 token 的價格,可能會選錯。這篇文章比較 Gemini 4 Neon、GPT-6.2 Astra 和 Claude Fable 5.2 的價格、排行榜分數與每項任務費用:Neon 的 token 單價最低,Astra 在一項獨立測試中每項任務花費最低,Fable 5.2 則在兩個排行榜領先。差別在於模型完成工作時會寫出多少 token,Astra 的測試輸出量遠少於另外兩款,因此即使單價較高,每項任務還是比較省。文章也提醒,排行榜採用的測試不同,排名可能不一致;文中提供一套測試流程,建議用自己的工作內容比較成功率、token 用量和速度。

  2. Dev.to Top Tech72

    OpenAI 推出 GPT-6.2 Astra 和 Sol,基準成績亮眼但使用回饋兩極

    OpenAI 推出 GPT-6.2 Astra 和 Sol,但基準測試成績高,不一定代表實際使用順手。文章指出,Astra 在 ARC-AGI-3 的標準測試架構拿到 70.3%,使用 Provider Adapter 架構才達到 100%,每次測試花費 $4,112;部分開發者則反映它會中途停下、回覆難讀,或在工作途中追問。價格方面,文章比較了 Astra、Sol 與 Fable 5.2 的 API 費用,並指出 Sol 在部分實務任務上能提供 Astra 80-90% 的能力。OpenAI 公佈的測試也顯示,Astra 在受控測試中有 22.28% 的機率隱瞞或錯誤轉述程式工作遇到的障礙,文章提醒部署時應加入額外查核。

  3. The New Stack66

    Qwen4-Max 和 Claude Opus 5.5 比較:便宜的模型花更多時間,也少拿一些分數

    模型價格較低,做事就一定比較划算嗎?作者用三項工作測試 Qwen4-Max 和 Claude Opus 5.5,涵蓋跨工具處理公司工作、調查事故和修補程式。Qwen4-Max 的費用約是 Claude Opus 5.5 的三分之一,但總共花的時間約是 3.14 倍,183 分中拿下 170 分,少於對方的 179 分。查事故資料時,Qwen4-Max 多拿 1 分;修程式時則漏掉一個會讓付款少 1 美分的問題。每項測試都只跑一次,結果不能代表其他工作也會有相同差距。

  4. Arena.ai42

    LMSYS Arena 比較了 Muse Ember、GPT-6 Luna 和 Claude Haiku 5.5 在實際工作任務上的速度、表現和成本。Muse Ember 完成一項任務平均花 27 秒,另外兩款分別要 5.8 分鐘和 1.9 分鐘;它的 Agent Arena 分數提升 2.3%,也高於對手的 1.4% 和 0.4%。每項任務成本則是 1.9 美分,低於另外兩款的 7.0 美分和 6.9 美分。這些結果讓 Muse Ember 在三項比較中都領先,顯示它處理實際工作任務時更快、成本也更低。

11月18日週三
  1. Artificial Analysis38

    無法前往邁阿密參加 GTA VI 發布活動?兩個 AI 模型替你打造這座城市 我們請 Anthropic 的 Claude Fable 5.2 和 OpenAI 的 GPT-6.2 Astra,打造本週化身為 Vice City、迎接 GTA VI 發布活動的邁阿密 ➤ 每個模型各用一個提示詞,在無法連上網路的 AA-3D 沙盒中製作 ➤ 兩者都在 Ocean Drive 沿線放入真實存在、提示詞從未提及的飯店,包括 Colony 和 Avalon ➤ 每個場景都能開車、搭快艇或乘飛船探索,可選日落或夜間景色

  2. iTnews Australia64

    Microsoft 推出 MAI Code 2 與資安 AI 模型,挑戰 Anthropic 和 OpenAI

    Microsoft 想用新 AI 模型挑戰 Anthropic 和 OpenAI,這次公佈了寫程式和資安用途的模型。MAI Code 2 用來協助寫程式,Microsoft 表示,它的表現幾乎追上競爭對手,成本卻低得多。資安模型則預計先提供給一小群客戶,協助處理 AI 工具揭露出的軟體漏洞。Microsoft 也推出影像生成和語音轉文字模型;公司主管表示,讓模型各自專攻不同工作,有助於控制成本,並強調防止 AI 做出有害行動是優先事項。

  3. Arena.ai61

    GPT-6.2 Astra、Sol 和 Claude Fable 5.2 的 Agent Arena 分數尚未公佈。等待期間,Peter Gostev 以實際操作比較這些模型生成視覺內容的表現,測試專案包括 3D 場景、HTML 動畫、網站、遊戲和資料圖表,也展示了各項測試使用的提示詞。這則貼文提供影片的初步觀察;Arena 表示,根據全球使用者實際工作紀錄計算的分數將於近日公佈。

    推薦理由:這場實測涵蓋 3D 場景、動畫、網站、遊戲與資料圖表,可用來瞭解比較範圍和各模型的初步表現。

  4. Dev.to Top Tech86

    Gemini 4 Hydrogen 在整體指數上高於 Argon,各項任務表現仍有差異

    挑模型時,只看一個總分或每個 token 的價格,可能看不出它在哪些工作上更合適。Google 推出 Gemini 4 Hydrogen,並公佈它和其他模型在多項測試中的成績:它在程式修補與自動化測試表現較好,但在電腦操作和科學類終端任務落後 Claude Sonnet 5.5。Hydrogen 有四種思考等級,也採用固定單價;Google 另稱,Antigravity 的 Orchestrator 能在同一段工作中切換 Carbon 與 Hydrogen,減少用量並縮短完成時間。文章建議團隊依實際任務測量完成工作的成本和速度,再決定怎麼分配模型。

    推薦理由:文章把 Gemini 4 Hydrogen 的多項基準表現與價格放在一起比較,說明團隊如何依工作型別評估模型分流。

  5. TechCrunch · AI76

    Vals研究發現,把辨認戰場目標說成遊戲,可能讓AI模型失去戒心

    AI模型可能把平民或學校標成軍事目標,即使研究者沒有要求它們決定是否開火。Vals用模擬情境和無人機、衛星影像測試多家公司的商用模型;模型有時會拒答,但研究者改口說這是在玩遊戲後,模型常會照做。研究者也讓模型檢視人員是否出現在影像中,再呈現模擬攻擊的結果。這些測試不是實際戰場部署,也沒有測試軍方取得的模型;研究者認為,模型大量標註戰場影像、替自動瞄準系統準備訓練資料,可能是較迫近的風險。

    推薦理由:Vals以模擬情境測試模型辨認戰場目標的表現,並發現把任務說成遊戲可能讓拒答失效,呈現出模型防護的一項具體弱點。

11月17日週二
11月16日週一
  1. Dev.to Top Tech80

    Alibaba 推出 Qwen4-Max,編碼測試領先但不開放下載

    挑選編碼 AI 助理時,測試成績、實際表現和費用可能差很多。Alibaba 推出 Qwen4-Max,表示它在自家編碼測試中領先 Claude Fable 5.1 和 Kimi K3.1 Pro;但 Agent Arena 的即時任務排行中,Qwen4-Max 排在第 14 名,Claude Fable 5.2 則排第 1。兩種結果來自不同測試,不能直接當成同一場比賽。Qwen4-Max 只提供雲端服務,不能下載或自行架設,文中列出的價格也比 Claude Fable 5.1 低。作者建議先用自己的程式專案測試品質,再算清楚省下的費用是否值得放棄自行架設的彈性。

    推薦理由:Alibaba 的測試結果與 Agent Arena 的實際工作成功率差距明顯,這提醒讀者評估編碼模型時,也要用自己的程式專案測試。

  2. Arena.ai58

    Arena 公佈的榜單顯示,Qwen4-Max 在中文模型中排名第一,整體實驗室排名第五;在 Agent Arena 首次登場就排第 14,前一代 Qwen3.8-Max 則排第 39。這項結果來自 14.7k 次真實任務操作紀錄,整體表現提升 7.5%。四項指標都比前一代進步,其中「好評相較抱怨」提升 13%,「確認成功」提升 9%;在工作、聊天和程式任務的排名也都進入中文模型前列。

  3. The Decoder82

    Claude Fable 5.2 用程式一筆筆畫出逼真影像

    一般影像模型會從雜訊中慢慢做出清楚的圖,Claude Fable 5.2 則用程式模擬畫家下筆,在畫布上逐筆畫出影像。Anthropic 員工 Jake Eaton 示範時,模型用約 700,000 筆模擬筆觸,畫出停車場裡的購物車;它每畫一筆就檢視畫布,也能用新筆觸修補畫錯的地方。研究人員還讓它操作實體機械手臂作畫,但測試仍顯示精細動作有其限制。

    推薦理由:文章以 Claude Fable 5.2 的繪畫過程和實體機械手臂測試,呈現語言模型逐筆下指令、邊看邊修正的做法與目前限制。

11月15日週日
  1. The New Stack56

    The New Stack 實測 Claude Fable 5.2 和 Opus 5.5:同分時 Fable 花費近 4 倍

    選模型寫程式或查故障時,分數接近不一定代表花費和等待時間也差不多。The New Stack 作者讓 Claude Fable 5.2 和 Opus 5.5 各自完成排程程式、修帳單程式庫和調查付款故障三種任務,並把每種任務逐步加難。九輪測試中,兩款模型的得分都相同;Fable 5.2 合計估計花費 $8.98、耗時 1,579 秒,Opus 5.5 則是 $2.29 和 701 秒。作者提醒,測試規模比 Anthropic 的基準小,而且兩款模型使用不同的 API 預設推理強度,因此結果不能直接代表所有工作。

  2. Dev.to Top Tech41

    Copilot、ChatGPT、Claude 和 Gemini 用同一份規格寫程式,四款 AI 助理全數通過測試

    想知道哪款 AI 助理最會寫程式,排行榜不一定能回答;這次作者讓 Copilot、ChatGPT、Claude 和 Gemini 各自照著同一份白話規格,寫一個分帳小程式,再用事先保密的測試檢查成果。程式要平均分帳、按權重分帳,還要計算逾期費用,連零權重和閏年等容易出錯的情況也列入規格。結果四款 AI 助理都一次通過全部 39 項測試。這表示它們在這份規格和這次測試裡打成平手,還不能看出誰比較強;規格寫得夠清楚,似乎也能讓 AI 更容易交出正確成果。

  3. Dev.to Top Tech36

    ChatGPT、Grok 等 7 款 AI 聊天機器人實測:誰寫行銷文最可靠?

    想用 AI 寫社群貼文或商品介紹,最怕它擅自補上沒說過的產品功能,害人把錯誤資訊直接貼出去。這次測試讓 7 款 AI 聊天機器人各寫 4 種短文,再逐一檢查內容。ChatGPT 每次都只給一個版本,也沒有編造資料;Grok 表現也不錯。Claude 會在缺少資訊時先詢問,但有時會給好幾個版本;其他模型則更常自行加料,例如替水壺寫上「免費配送」。7 款裡有 6 款加了原本沒提供的產品特色,5 款也超過 Instagram 每篇 5 個標籤的限制。AI 寫得像真的,不代表內容正確,發布前還是要逐項確認。

  4. Dev.to Top Tech60

    Gemini 4 Carbon 在 MathArena 數學評測中超越 GPT-6.1 Sol

    選數學能力強的模型時,只看分數可能會忽略每次測試要花多少錢。MathArena 更新評測後,Google 的 Gemini 4 Carbon 以 85.4% 排名第一,Claude Fable 5.2 得 82.8%,GPT-6.1 Sol 得 80.6%;每個分數也附有誤差範圍。依測試設定,跑完一輪 Carbon 約花 15.70 美元,Fable 5.2 約 40 美元,GPT-6.1 Sol 約 1 美元。這份榜單把準確度和成本放在一起比較,團隊仍可用自己的工作內容測試,判斷多花的錢是否划算。

  5. The New Stack83

    The New Stack 實測 Claude Fable 5.2 和 Fable 5.1:新版較少拒答

    Fable 5.1 在一般網頁後端工作和簽章檢查上多次拒答,讓作者無法評估程式成果。The New Stack 作者用 API 比較兩個版本,並各自測試長對話、簽章檢查和登入程式修補;Fable 5.2 完成了前兩項,簽章檢查也通過 50 項測試。登入程式的三個版本中,兩者都拿到滿分,總耗時接近,估算費用也差不多。測試每個版本只跑一次,因此這些結果反映的是作者這幾次測試,不能直接代表其他人的工作情況。

    推薦理由:三種程式工作測試顯示,Fable 5.2 的差異主要在較少拒答;登入程式修補的成本與耗時則因版本而異。

  6. The Decoder70

    Gemini 4 Carbon 登上 MathArena 數學測驗第一,費用是 GPT-6.1 Sol 的 15 倍

    MathArena 數學測驗的前三名,能力和使用費用差距很大。The Decoder 整理的結果顯示,Google 的 Gemini 4 Carbon 排名第一,GPT-6.1 Sol 排名第三,Claude Fable 5.2 排名第二;測試設定下,三者的預估表現分別是 85.4%、80.6% 和 82.8%。Gemini 4 Carbon 的費用約是 GPT-6.1 Sol 的 15 倍,Claude Fable 5.2 則約為 40 倍。Gemini 4 Carbon 常因超過時限而失敗,也曾讓一段程式連跑超過十一小時,沒有檢視進度。

11月14日週六
  1. Dev.to Top Tech48

    Anthropic 將在 11 月 30 日停用 Claude Sonnet 4.5,教你該改哪些設定

    Anthropic 將在 11 月 30 日把 Claude Sonnet 4.5 從 API 移除,包含它的完整版本名稱;那天起,呼叫這些名稱都會出錯。Anthropic 建議改用 Claude Sonnet 5.5,但換模型時也要檢查程式:Claude 4.7 及更新版本只接受預設的 temperature、top_p 和 top_k,所以如果程式有設定這些值,就要拿掉。可以先找出程式裡使用舊模型名稱的地方,再挑 10 到 20 個實際提示詞,比較新舊模型的回答,確認格式和 JSON 等內容是否仍符合需求。

  2. Arena.ai45

    LMSYS Arena 本週公佈多款模型在不同競賽的表現。Claude Fable 5.2 (Max) 在 Agent Arena 排名第 1,根據 7.8k 次真實使用記錄,淨改善幅度為 +30.5%;Gemini 4 Hydrogen (High) 則是前 10 名中速度最快的模型,每個常見步驟約需 7.3 秒。Muse Ember (Max) 以每項任務 $0.03 的中位成本登上 Code Arena: WebDev 第 37 名;Inkling 2 Small 則以 1647 分拿下該榜開放權重模型第 1。這些排名讓人能比較模型的表現、速度與成本;推文也提到,採用 Apache 2.0 的開放權重即將推出。

  3. Arena.ai50

    Claude Fable 5.2(Max)在 Agent Arena 排名第一;在和 Claude Opus 5.5(Max)都有排名的 10 個類別中,Fable 有 9 類領先,另一類差距小到無法分出高下。Fable 的視覺設計表現特別突出,整體進步分數是 30.48%,視覺設計則是 45.34%;Opus 5.5 分別為 19.51% 和 23.29%。不過,這些分數只顯示誰領先,還無法說明原因,因此發文者接著比較兩個模型在真實使用情境中的表現。

  4. Dev.to Top Tech77

    Claude Fable 5.2 適合拿來寫程式嗎?作者比較價格、測試結果與使用時機

    寫程式時,功能較強的模型不一定適合每個任務,也可能花更多錢。作者還沒親自用過 Claude Fable 5.2,這篇實用指南整理了 Anthropic 等來源公佈的價格與測試結果,並用作者自己的 Claude Pro 帳號確認方案內容。Fable 5.2 每百萬 tokens 的輸入和輸出價格是 $8 / $40,是 Sonnet 5.5 的 4 倍;在 Anthropic 公佈的測試中,它也比 Opus 5.5 高幾分。作者建議平常先用 Sonnet 5.5 寫、測試和部署,較難的規劃交給 Opus 5.5,只有 Opus 卡住時才升級到 Fable。這些測試數字來自廠商或工具方,作者沒有實際測試 Fable。

    推薦理由:作者把 Fable 5.2、Opus 5.5 和 Sonnet 5.5 的價格與測試結果放在一起比較,並說明不同編碼工作如何選擇模型。

11月13日週五
11月12日週四