Claude 的演进,
从 1.0 到 4.7 的三年

三年这段时间

三年并不算很长。 一个人从大学退学到再回来,大约是这段时间;一座城市的风景慢慢改变,大约也是这段时间;一家公司当初许下的第一个承诺开始受到检验,也是这段时间。可在 AI 模型的世界里,三年走得不一样。即便是同一家公司用同一个名字发布的模型,它的起点和终点之间,所容纳的能力几乎来自不同的维度。Claude 这个名字第一次出现在世人面前的 2023 年春天,与我写下这段话的 2026 年春天之间,恰好就是这样的三年。

这篇文章想要追溯的,正是在那三年里,Claude 这款模型究竟是如何一步步变化的。它不只是把版本号一个个罗列出来。每一步上,Anthropic 这家公司做了什么样的决定,那些决定又带来了什么样的结果,以及它们在用户的日常和行业的版图上留下了什么样的痕迹 — 我想把这些一起追下去。从 1.0 走到 2、3、3.5、3.7,再走到 4 与 4.5,直到现在的 4.7。只看数字的话,这条路像是一段往上走的台阶;但只要稍稍俯身去看每一级台阶之间的肌理,展开的风景就会大不相同。

先要写下一句话。三年里有一样东西没有变。公司最早立下的那一问:「这项技术能否真的朝着对人类有益的方向去打造?」每一个新版本,差不多都是把这一问再问一遍的过程。能力变得越大,这一问也并没有因此变轻,反倒变得更沉。这一份沉重的变化,也是我想一起追下去的。

Claude 1.0 — 安静的登场

那一天是 2023 年 3 月 14 日。 Anthropic 把自家模型的名字第一次摆到世人面前。名字是 Claude。公司解释说,这名字来自信息论的奠基人 Claude Shannon。同一天,两个版本一起发布。承担正式工作的 Claude,以及更快、更轻的 Claude Instant。从一开始就走了两条线。

气氛是平静的。四个月前,2022 年 11 月,OpenAI 的 ChatGPT 已经把世界摇晃过一阵。人们的注意力依然停在那一边。Claude 的登场没有大张旗鼓的发布会,也没有华丽的现场演示。舞台正中,有一位哥哥被灯光照着;舞台一侧,有一位弟弟在安静地准备自己的工作。从最初的时候起,Anthropic 就选择了不通过大众界面、而是通过 API 与合作来把模型送进世界这条路。

早期的合作伙伴名单很有意思。Quora 的对话服务 Poe、写作协作工具 Notion AI、搜索辅助工具 DuckAssist、笔记辅助工具 Jasper。其中最让人印象深刻的整合之一是 Slack。公司可以直接在内部的消息频道里调用 Claude 的小工具被建好了。许多普通用户第一次见到 Claude 这个名字,就是在 Slack 的 bot 里。

从技术层面看,Claude 1.0 的上下文窗口大约是 9,000 个 token。以今天的标准看不大,但在当时,它已经能做普通聊天机器人做不到的工作。把冗长的会议纪要做成摘要,把几百行代码的文件一次性审查一遍。比这更重要的,是另一件事。这款模型,是第一个正式应用了 Constitutional AI 这一训练流程的 Claude。模型会按照写好的原则,对自己的回答做一次再审视,并自行修正。这是一种试图越过「只靠人工反馈训练模型」这一边界的努力。

不过老实说,Claude 1.0 的实力当时是被 GPT-4 的影子笼罩着的。2023 年 3 月 14 日,也恰好是 OpenAI 发布 GPT-4 的那一天。两款模型在同一天露面,被立刻拿出来做对比。在大多数公开基准测试上,Claude 1.0 都不及 GPT-4。但这并不意味着 Claude 的出现意义微小。一个新的选项 — 哪怕再小 — 走进了市场,而且这个选项的名字上明确挂着「安全为先的 AI 研究机构」这样一份身份。这个事实本身,就在行业的地图上,落下了一行新的坐标。

Claude 2 — 一片名为「上下文」的新领地

大约四个月后, 2023 年 7 月 11 日,Anthropic 发布了 Claude 2。从外面看,这只是一次普通的版本升级,但实际上,是一次维度不同的跳跃。核心有两点。其一,上下文窗口从 9K 扩展到了 100,000 token。其二,一个名为 claude.ai 的网页界面,第一次面向普通用户开放。它最初只面向美国与英国的居民开放,但无论如何,这是舞台正面的灯第一次被点亮的时刻。

100K 这个数字,意味着什么,值得稍微说一下。一本英文小说的平均篇幅,大约在 75,000 到 100,000 个单词之间。换算成 token,每个单词通常会落在 1.3 到 1.5 个 token。所以 100K 个 token,大致是一整本书可以原封不动塞进去的容量。在 9K 的时代,要让聊天机器人审一份长 PDF,得让人事先把它切成小段。到了 100K 的时代,可以直接一整份扔进去,然后开始问问题。律师可以一次性审完一份 200 页的合同,研究人员可以一次性把一篇学术论文做成摘要,开发者可以一口气分析好几个大的代码文件。这些事情,变得真的可行了。

编码和数学方面也有跳跃。模型在美国律师资格考试(US Bar Exam)中进入了前 90 个百分位,在 GRE 写作部分也进入了顶端区间。在 HumanEval 这个编码基准测试中,得到了 71%,远高于 Claude 1 的 56%。这不仅是模型可以处理更长文本而已 — 它发出了一个信号:这款模型在某个具体领域里,已经开始扎下脚跟,成为一件真正派得上用场的工具。

四个月之后,11 月 21 日,Claude 2.1 发布。上下文窗口又翻了一倍 — 200,000 token, 大约 500 页的篇幅。那次升级里更重要的变化,是幻觉(hallucination)的比例几乎下降了一半。模型在不知道的时候说「我不知道」的频次,明显多了起来。同时,工具调用(tool use)进入了 beta 版。模型可以直接调用外部 API、查询数据库、运行用户自定义函数。一年之后大放异彩的 agentic AI,种子大约就是在这一时间被埋下的。

Claude 3 — 三姐妹的时代

那一天是 2024 年 3 月 4 日。 Anthropic 一口气推出了三款模型。名字是 Haiku、Sonnet、Opus。日本的短小定型诗,莎士比亚时代的 14 行诗,以及作曲家用一生去写的大型作品。三个词放在一起,它们本身就读得像一行诗。这种命名不是单纯的修辞,而是一份明确的信息:同一个家族里,有不同呼吸的几款模型,用户根据自己的用途从中挑一个就好。

最轻巧的 Haiku,快,而且便宜,适合做聊天回应、简单分类、快速查找之类的工作。中间的 Sonnet 接下了大多数日常任务这把座椅。最重的 Opus,则被留给了深度分析、复杂推理、长文写作。Anthropic 一次性把这套三等级体系端出来,这件事本身很重要。在那之前,AI 模型市场的格局,围绕着「找出最好的那一款」展开。 Claude 3 把这个结构稍微扭了一下。把同一家族的三位放在同一张桌子上,让用户在价格、速度、能力之间衡量后做选择 — 这样一个时代,从这里开始被正式打开。

技术上的变化也很大。三款都是 支持图像输入的多模态模型。 给它看一张照片,它可以识别里头的物件;给它看一张图表,它可以读出里头的数字;给它看一张手写笔记,它可以把上面的内容整理出来。原本只能靠一行文字驱动的模型,第一次拥有了某种「看」的感官。

基准测试也吸引到了市场的注意。Opus 在 MMLU、GPQA、HumanEval 这样的主流指标上,以一定幅度超过了当时的 GPT-4 Turbo。这是 Claude 第一次被公认为可以压过 GPT 这条线的模型。 市场的重心,微微地晃动了一下。它不再只是「OpenAI 之后的那个」,而是站到了同一张舞台上、直接竞争的公司。

3.5 Sonnet — 中间这一席,坐到了最高位

2024 年 6 月 20 日。 Anthropic 这一天发布的一句话,轻轻地拨了一下市场的惯性。Claude 3.5 Sonnet。如名字所示,它是 Claude 3 家族里位居中间的 Sonnet 的后继。可一旦看进它的性能,一件怪事正在发生。同一家族里坐最重的位置上的 Opus,被中间这一席的 Sonnet 反超了。「越大越重就一定越强」 — 这件事被数据反过来证否了。

说点具体数字:HumanEval 跑到了 92%,差不多接近了人类水平的编码辅助。在 MMLU、GPQA 上也都超过了前一代的 Opus。同时,Sonnet 的推理成本只有 Opus 的五分之一,响应速度大约是它的两倍。更便宜、更快、答得更好。对用户而言,继续选那款更贵的模型的理由,在这一刻被稀释掉了。

但这次发布里,真正震动比较大的并不只是模型本身,而是与之同时发布的另一样东西 — 一个叫做 Artifacts 的侧边面板。当你在对话窗口里请它写一段代码,代码不再只是停在聊天记录里。它会在屏幕右边铺开成一块独立的画布。代码可以在这块画布里运行,运行结果实时显示。请它生成一份文档,一份排版整洁的文档会出现在同一个位置上,可以立刻在那里编辑。请它做一张图表,一张可交互的图表就出现在同一个面板里。

Artifacts 带来的变化,远不只是 UI 的改良。它改变了「对话的产出」该如何被处理。 在它之前,模型生成出的代码或文档,需要用户自己复制粘贴到另一款工具里去。在它之后,这些产出可以作为一种活物,直接停留在同一块屏幕里被处理。人和模型一起「在做某件事」的工作流程,第一次被压缩进了同一个空间里。再往后,其他公司也陆续推出类似的侧边面板。这是某一种潮流的起点。

Computer Use — 模型动手操作电脑

那一天是 2024 年 10 月 22 日。 这次发布的重心,比起模型本身的升级,更落在了「这款模型现在能做什么」这一边。Claude 3.5 Sonnet 的一个新版本(通常被叫做「new」或「10 月版」),与 Claude 3.5 Haiku 一起公开。同时,旁边还多了一个名为 Computer Use 的新能力,以 beta 形式出现。

Computer Use 是这样工作的。用户交给它一项任务后,模型要去做这件事,会直接「看」电脑屏幕。准确地说,它接收屏幕的截图,分析这张截图,然后决定鼠标该移到哪里、点哪里、按哪些键。这些决定会被发送给操作系统,屏幕状态因此发生变化,模型再以另一张截图接收这个新状态,然后决定下一步动作。这套循环会一直重复,直到完成用户的目标。

这个描述看起来简单,内里的分量却很沉。在它之前,AI 模型一直被关在「文字进、文字出」这片世界里。 Computer Use 把这片世界的边界推开了一道口。模型现在可以使用人类做出来的工具 — 网页浏览器、电子表格、邮件客户端、聊天软件 — 而且是按人类使用它们的方式去使用。不需要新设计一套 API,也不需要为模型另开一套界面。人看到的屏幕,模型也看得见。

编码基准的数字也跟着动了。在 SWE-bench Verified 这个指标上 — 它衡量的是模型能否真的解决开源项目里实际的 GitHub issue — 这一版的 3.5 Sonnet 得到了 49%。在那之前,SOTA 大概是 22%。近乎翻倍。 同一时间,Haiku 3.5 也一并公开,最轻量的那一档完成了一次刷新。

当然,Computer Use 当时是 beta,出错也不少。它会点错按钮,会把文字填进错误的表单,会被屏幕上的广告带偏。Anthropic 自己也明确把它标注为「还不够可靠的实验性功能」。可这次 beta 指向的方向却很明确:未来的 AI,不会再只是停在聊天框这一片小天地里。在那之后大约一年的时间,「智能体(agent)」成为整个行业的核心关键词,这次发布在这条因果链里占了相当一席。

3.7 Sonnet — 会思考的模型登场

2025 年 2 月 24 日。 这次发布,只是把版本号从 3.5 抬到了 3.7,从外面看像是「加了 0.2」而已;但在里面,它重新定义了模型工作的一种方式。Claude 3.7 Sonnet。与之同行的那个词,是 Extended Thinking。

Extended Thinking 究竟是什么呢。当用户把一道难题抛给模型时,它不再立刻吐出答案,而是先把自己的思考过程,以 token 的形式铺展开来。就像一个人遇到难题时,会先抽出草稿纸,在上面一步步推算。这个思考过程也是用户能看到的。模型在做什么样的假设,正在讨论哪几种情形,在哪里被卡住,又怎么找回路径 — 这些都摊开在那里。等这个过程走完之后,模型才会给出最终的答案。

关键之处在于:同一款模型里,带着两种模式。需要快回答时,模型不走思考过程,直接给出答案;需要深思考时,它愿意花时间和 token,把题一步步推下去。 而模式由用户自己来选。这种结构本身就是新的。在那之前,「推理能力强的模型」和「响应速度快的模型」大多是不同的两款。从 Claude 3.7 起,两种呼吸节奏被收进了同一款模型里。

基准上的变化也跟着发生。SWE-bench Verified 跑到了 70.3%。比起 Computer Use 发布时的 49%,大约高出了 20 个百分点。对于数学奥林匹克水平的题目、博士级的科学问题、复杂代码库的重构这类难题,开启 Extended Thinking 的 Claude 3.7,展现出的跳跃,几乎难以再用上一代的尺子去衡量。

与这次发布捆在一起亮相的,还有一件工具。Claude Code。 最初是 beta 版。一个让开发者可以在终端里直接调用 Claude、统一处理代码编写、调试、文件编辑、命令执行的命令行工具。开发者不再是从 IDE 里去调用 Claude,而是 Claude 住进了开发者的工作环境本身。这件工具,真正坐进行业标准工作流里,还需要再过大约一年。它的起点,就在 2025 年 2 月。

Claude 4 — 与工具一起生活的模型

2025 年 5 月 22 日。 Anthropic 一次性带出了两个新名字。Claude Sonnet 4 和 Claude Opus 4。版本号一下跳过 0.7,从 3.7 直接到了 4。命名体系也被整理了一下。在那之前,是「Claude 3.5 Sonnet」这种家族名放在前、模型等级放在后的格式;从这次起,改成了「Claude Sonnet 4」 — 等级在前、世代号在后。看起来是个小变化,但其实是个信号:这家公司在把自己的模型家族,做更系统化的运营了。

那一刻,Opus 4 是编码基准上最强的模型。SWE-bench Verified 跑到 72.5%。可这一代真正的变化,并不只在某个单项的分数上,而在 模型对工具的使用方式被整合了起来。 Extended Thinking 不再是独立的一个模式,而是直接被嵌进了模型本身。工具调用可以并行进行。模型可以在一次推理之中,同时调用好几件工具,把它们的结果接回来,再决定下一步动作。这套流程开始顺畅了起来。

同一场发布里,Claude Code 转为正式发布。一年前还是 beta 形态、只是稍稍露过一下脸的工具,这次终于坐到了正式产品的位置上。Claude Code 这次带来了名为 hooks 的自动化接入点。它让模型可以在特定时机自动执行某些动作。还有名为 plan mode 的工作步骤 — 在模型真正动手修改之前,先把它准备做的事情列给用户看,等用户确认。模型获得越来越多自主权的同时,让用户能够亲自划定这份自主权边界的工具,也一起在长出来。

还有一项变化值得一提。MCP(Model Context Protocol)这一新标准,正是在这段时间真正开始扎根的。它的目的,是把模型访问外部工具与数据的方式标准化。与其每家公司各自维护一套自己的工具接入格式,不如大家共同遵循一份通用接口 — 这就是它的提议。Anthropic 公开这套标准的初稿之后大约半年,其他几家主要的模型提供方,陆续开始采纳这套标准。

四个月之后,9 月 29 日,Claude Sonnet 4.5 发布。又一次,中间这一席的 Sonnet 超过了同一代的 Opus。SWE-bench Verified 跑到 77.2%,同时公布了一个数据:它可以在单一任务上自主持续运行约 30 小时。Claude Code 也升到了 2.0。再之后,Opus 4.5 入座最重的位置。一个世代内部多次小幅跳跃的节奏,从这里开始。

当下 — Opus 4.7 与 1M 上下文的时代

而到了当下。 写下这段话的此刻是 2026 年春天。Anthropic 最重的那款模型,是 Claude Opus 4.7。从 4.5 到 4.6,再到 4.7 的这条线,比起一次大型跳跃,更像是用短促的呼吸,把同一代模型多次细细地打磨。在一个世代之内,把模型的性格慢慢修整,把用户真实工作流里暴露出来的弱点,一处一处补上 — 这就是这段时期。

最显眼的变化是 上下文窗口的扩张。 一百万个 token。从 Claude 1.0 的 9K 起步,大约三年的时间长到了 110 倍左右。1M 个 token 是怎样的容量呢:一家中型公司的全部代码库一次性塞进去,还会剩下空间;一摞厚重的学术书,可以同时摊开在桌面上;一家公司一个季度的所有会议录,可以一次性丢进去。模型处理的工作单位,从「一行问题」、「一页文档」,移到了「一家公司一季度」这个量级。

模型对工具的使用方式也更精细了。在同一项任务里,模型会并行调用好几件工具,展开自己的思考过程,把中间结果当作另一件工具的输入接力下去,在必要的时候还会向用户确认决定。这整条流程,自然地发生在一段对话之中。在用户看来,只是调用了一款模型;但在底下,有好几层工作同时在跑。

行业的版图也变了。三年前从一家小型非营利研究机构起步的公司,如今已经是许多美国与欧洲企业接进自家系统的标准工具之一。在医疗领域,它被用作诊断辅助;在法律领域,被用作合同审查;在金融领域,被用作研究工作;在内容领域,被用作编辑与翻译。最显眼的领域,毫无悬念,是软件开发。Claude Code 深深地嵌进了许多开发组织的日常工作流里。

还有一件事。从一开始就被强调的「安全的 AI」这条使命,不再只是营销话术,而是真的成了运营的骨架。每一次重大模型发布,公司都会把内部的「Responsible Scaling Policy」(负责任的能力扩展政策)对照评估结果一起公布。如果风险等级越过预设阈值,发布就会被推迟,或者某些功能会被限制。与外部评估机构合作的预审流程,也已经成为标准动作。这些流程,起初只是公司内部的一份承诺,如今正在朝着行业某种事实标准的位置上移动。

什么变了,什么留了下来

把这三年的记录 拢到一处看,有几样东西会清晰浮现出来。上下文窗口从 9K 长到了 1M,大约扩大了 110 倍。模型的能力,从单一的文本对话,一步步走向多模态理解、屏幕操作、工具使用、思考过程外露,以及长时段的自主工作。命名体系被整顿了,家族里每一个位置也被理顺了。在同样的性能基准下,价格在一代一代里飞快下落。这些变化,都可以在数字与公告里被清楚地核实。

但这篇文章在收尾时,更想留一点笔墨给另一面 — 这三年里 没有 变的那一面。Anthropic 在公司成立之初立下的那一问:这项技术能否真的朝着对人类有益的方向去打造?如果它走偏了,我们有什么办法可以提前察觉?这一问,在每一个台阶上,都被重新问了一遍。上下文越大,这一问越沉;自主权越大,这一问越急。

三年前在一家小公司里被提出的一句问话,如今正在改写整个行业的工作方式。下一个三年会长成什么样,谁也说不准。但有一件事看起来已经比较清楚:在下一个台阶上,真正决定差距的,不会是更大的模型或更长的上下文,而会是关于「我们要在什么样的责任结构里运行这些模型」这件事上的共识。 Anthropic 会以怎样的姿态站在那张商讨这份共识的桌子旁,是这个系列之后几集要慢慢展开的话题。

这个系列的下一集,会去看 OpenAI — 这一路走来,最大的同行者,也是最大的竞争对手。两家公司在哪里分了岔,在哪里相同,如今又各自站在哪里。下一集的主题就是这些。