Mi lett jobb?
Az Anthropic a kódolást, a tudásmunkát és a hosszú, több lépésből álló ügynökfeladatokat emeli ki. A modell állítólag gyakrabban ellenőrzi a saját munkáját, és kevésbé áll meg félúton egy bonyolult feladatnál.
A cég saját és partneri mérései szerint több kódolási és irodai munkát vizsgáló teszten is jelentősen előrelépett. Fontos apróbetű: a legtöbb eredményt maga a gyártó közölte, tehát érdemes a független méréseket is megvárni.
Mit jelent az effort beállítás?
A fejlesztők szabályozhatják, mennyi „gondolkodási munkát” tegyen a modell egy válaszba. Alacsonyabb szinten gyorsabb és olcsóbb lehet; magasabb szinten tovább dolgozik a nehezebb problémán. Magyarul: van rajta „gyorsan mondd” és „ülj le, gondold át rendesen” kapcsoló.
Mennyibe kerül?
Az API alapára egymillió bemeneti tokenenként 5 dollár, egymillió kimeneti tokenenként 25 dollár. A Fast mód körülbelül 2,5-szeres sebességet ígér, de az alapár kétszereséért.
Kinek lehet érdekes?
Elsősorban programozóknak, kutatóknak és olyan cégeknek, ahol az AI-nak nem egyetlen választ kell adnia, hanem dokumentumokat, táblázatokat, kódot és eszközöket kell több lépésben kezelnie. Egy bevásárlólista megírásához valószínűleg túlzás — hacsak a lista nem egy komplett szupermarket újratervezése.
Mitől lesz ez több egyszerű modellfrissítésnél?
A hosszú feladatoknál nem csak az számít, hogy a modell egyszer jó választ adjon. Fontosabb, hogy több lépésen keresztül megőrizze a célt, észrevegye a saját hibáját, majd javítson rajta anélkül, hogy közben teljesen más irányba indulna. Az Anthropic ezért hangsúlyozza az ellenőrzést és az ismételt próbálkozást: egy összetett program, kutatási összefoglaló vagy vállalati munkafolyamat ritkán készül el hibátlanul első nekifutásra.
A magasabb effort beállítás ugyanakkor nem varázslat. Több számítási időt és általában több költséget jelenthet, ezért érdemes a feladat nehézségéhez választani. Egy rövid e-mailhez nincs szükség maximális fokozatra, egy nagy kódbázis hibakeresésénél viszont megérheti a türelmesebb mód.
Mit érdemes saját próbában figyelni?
Ne csak azt nézd, hogy szép-e az első válasz. Adj neki olyan feladatot, amelyben terveznie, végrehajtania és ellenőriznie is kell. Utána kérd meg, hogy sorolja fel, mit nem tudott biztosan igazolni. Így gyorsan kiderül, valóban alaposabb-e, vagy csak magabiztosabban fogalmaz.
Claude Opus 5 első munkanapja
8:00-kor megkapja a teljes kódbázist. 8:02-kor megtalálja a hibát. 8:04-kor kijavítja, teszteli, dokumentálja és készít hozzá egy visszaállítási tervet. 8:05-kor a főnök odahajol: „Nagyon jó, de én csak azt szerettem volna, hogy a gomb egy kicsit kékebb legyen.”
Claude udvariasan átállítja a gombot, majd max effort módban tizenkét oldalon elemzi, hogy a „kicsit kékebb” pontosan mit jelenthet. A Fast mód eközben ugyanazt két és félszer gyorsabban csinálja, de dupla áron – vagyis pontosan úgy működik, mint a sürgős szerelő vasárnap este.