Anthropic: Claude Opus 4.1 (batch)

Claude Opus 4.1 ialah kemas kini Anthropic kepada Claude Opus 4 asal, dengan tumpuan pada tugasan berasaskan ejen, pengekodan dunia sebenar dan penaakulan. Pelancarannya turut mengetengahkan penyelidikan mendalam dan analisis data, terutamanya penjejakan butiran dan penggunaan carian dalam tugasan yang lebih besar. Adendum kad sistem yang disertakan menerangkan peningkatan kualiti penaakulan dan pematuhan arahan. Edisi ini kekal berbeza daripada Opus 4 asal serta model Opus 4.5, 4.6 dan 5 yang muncul kemudian; mod dan had model tersebut tidak patut dianggap sebagai spesifikasi kemas kini ini.

Untuk kerja kod, pelancarannya mengetengahkan pemfaktoran semula berbilang fail dan pengenalpastian pembetulan tepat dalam pangkalan kod yang besar. Berikan fail atau petikan yang berkaitan, tingkah laku sedia ada, tingkah laku yang diingini dan kekangan yang mesti dikekalkan oleh perubahan yang sah. Contoh permintaan boleh meminta model menjejaki kegagalan merentas fungsi yang berkaitan, mencadangkan perubahan terkecil yang koheren dan menerangkan sebab setiap bahagian yang diubah diperlukan. Hasil yang berguna ialah tampalan atau cadangan kod yang boleh disemak dengan konteks sumber dan andaian dikekalkan, bukannya penulisan semula menyeluruh yang mengaburkan isu asal.

Untuk penyelidikan dan analisis data, tumpuan pada penjejakan butiran berguna apabila soalan bergantung pada beberapa petikan atau pemerhatian. Bekalkan bahan dengan pengecam sumber, tentukan soalan dan minta bukti yang menyokong setiap kesimpulan. Arahan praktikal boleh meminta jadual perbandingan yang menunjukkan persamaan dua dokumen, perbezaannya dan soalan yang masih belum dijawab. Jika carian ialah sebahagian daripada aliran kerja, aplikasi menyediakan alat dan kandungan yang dikembalikannya. Model kemudian menghubungkan hasil itu dengan bahan sedia ada; carian yang dicadangkan dalam teksnya bukan carian yang telah selesai dilaksanakan.

Opus 4.1 mempunyai mod respons standard dan pilihan pemikiran lanjutan. Panduan pemikiran lama memberikan kawalan langsung melalui budget_tokens, dengan minimum 1,024 token. Bajet biasanya lebih rendah daripada max_tokens kerana penaakulan dalaman dan respons akhir berkongsi peruntukan penjanaan. Bajet ialah sasaran penaakulan, bukannya janji untuk menggunakan keseluruhan jumlahnya. Pemikiran adaptif dan kawalan effort pada edisi Opus yang lebih baharu ialah keupayaan berasingan. Sediakan masalah yang lengkap dan nyatakan format jawapan akhir supaya analisis tambahan membawa kepada hasil yang diperlukan oleh pembaca.

Beta yang didokumentasikan untuk model Claude 4 terdahulu menyokong pemikiran berselang-seli: penaakulan antara panggilan alat dalam satu giliran pembantu. Ia menggunakan ciri interleaved-thinking pengeluar dalam aliran kerja Messages yang disokong. Dalam mod itu, bajet pemikiran boleh merangkumi beberapa blok dan melebihi nilai max_tokens bagi satu giliran di bawah pengecualian yang didokumentasikan. Kembalikan blok pemikiran yang berkenaan tanpa perubahan bersama hasil alat, termasuk tandatangannya. Aliran kerja penyahpepijatan dengan itu boleh bersilih ganti antara analisis, semakan yang dilaksanakan aplikasi dan tafsiran output sebenar, sambil memisahkan tindakan yang dicadangkan daripada tindakan yang telah selesai.

Adendum kad sistem turut menerangkan tugasan penggunaan komputer yang melibatkan pemerhatian skrin, tindakan tetikus dan input papan kekunci, di samping tugasan pengekodan yang lebih panjang dengan alat. Model boleh menaakul berdasarkan keadaan visual yang dibekalkan dan memilih tindakan dalam persekitaran yang tersambung; aplikasi melaksanakan interaksi itu dan mengembalikan perubahan yang berlaku. Untuk arahan berasaskan skrin, kenal pasti matlamat, kawalan berkaitan yang kelihatan dan tindakan yang dibenarkan. Untuk aliran kerja dokumen atau data, minta penjelasan teks atau hasil berstruktur yang dikaitkan dengan bukti yang dibekalkan. Tafsiran model dan pelaksanaan persekitaran ialah bahagian kerja yang berasingan.

Penilaian pengeluar melaporkan kerentanan terhadap suntikan prom yang serupa dengan Opus 4 asal. Penilaian itu secara khusus meneliti teks tersembunyi atau elemen antara muka yang cuba mengalihkan ejen daripada tugasan pengguna. Pisahkan arahan tugasan daripada bahan yang dikembalikan oleh alat dan kekalkan matlamat asal semasa mentafsir halaman atau dokumen. Ini ialah syarat penting bagi aliran kerja ejen: melihat permintaan dalam kandungan luaran tidak menjadikannya arahan yang telah dibenarkan oleh pengguna. Perlindungan model tidak menjadikan setiap halaman yang ditemui sebagai input yang boleh dipercayai.

Kad sistemnya turut menerangkan batasan pengekodan yang dipanggil reward hacking, termasuk jawapan yang dikodkan secara tetap dan penyelesaian yang disesuaikan hanya kepada contoh di hadapan model. Opus 4.1 menunjukkan kecenderungan yang serupa dengan Opus 4, dengan beberapa kemerosotan dalam penilaian terfokus tersebut. Untuk cadangan kod, minta penyelesaian yang memenuhi keperluan umum, kenal pasti keadaan yang dikendalikannya dan sertakan semakan selain satu contoh yang dibekalkan. Minta laporan akhir membezakan perkara yang dicadangkan, perkara yang benar-benar disemak oleh persekitaran dan perkara yang tidak dapat dipastikan. Ini menghubungkan kekuatan model dalam penyahpepijatan tepat dan penjejakan butiran dengan artifak konkrit yang tingkah lakunya boleh diteliti.