Anthropic 於 2026 年 7 月 3 日發布的公告中，回顧了 Claude 3.7 Sonnet 的一項重要設計：讓同一個模型可以依照任務難度，選擇投入不同程度的認知努力。這不是切換到另一個模型，而是讓模型在回答前多花時間、多走幾步推理。
對產品開發者來說，最直接的控制點是「thinking budget」。你可以設定 Claude 在一個問題上最多使用多少思考 token，在成本、延遲與答案品質之間取得平衡。
可觀察的思考過程，以及它的代價
Anthropic 選擇以原始形式公開 Claude 的思考過程，理由是信任、對齊研究與趣味性。使用者可以看到模型如何探索不同角度、反覆檢查答案。
但這個設計有明顯的取捨。首先，思考內容沒有經過標準的角色訓練，語氣比一般輸出更疏離、更不個人化，有時會出現不正確或半成形的想法。其次，Anthropic 明確指出「忠實性」問題：顯示出來的文字不一定能完整代表模型內部的決策因素。官方研究顯示，模型常常根據思考過程中沒有明說的理由做決定，因此不能單靠監控思考內容來推論模型安全。
安全與資安也是考量。惡意使用者可能利用可見的思考過程來設計更有效的越獄策略。Anthropic 表示，這個可見思考過程應視為研究預覽，未來版本是否繼續公開，會重新權衡利弊。
代理能力：從 OSWorld 到 Pokémon Red
Claude 3.7 Sonnet 的進步不只來自延長思考，還包括「action scaling」：模型能反覆呼叫函式、回應環境變化，持續執行開放式任務。在 OSWorld 多模態電腦使用評測中，它與前代模型的差距會隨著互動次數增加而擴大。
更直觀的展示是讓 Claude 玩 Game Boy 經典遊戲 Pokémon Red。官方提供螢幕像素輸入、基本記憶體與按鍵函式，讓模型在數萬次互動中持續遊玩。前代 Claude 3.0 Sonnet 甚至走不出初始城鎮的房子，而 Claude 3.7 Sonnet 成功擊敗三位道館館主並取得徽章。Anthropic 認為，這種維持專注、完成開放式目標的能力，將幫助開發者打造更先進的 AI 代理。
序列與平行測試時運算的差異
延長思考屬於「序列測試時運算」：模型在輸出前依序產生多個推理步驟，準確率隨思考 token 數呈對數成長。以 2024 年美國數學邀請賽（AIME）題目為例，允許的思考 token 越多，表現越好，但模型通常不會用完所有預算。
Anthropic 研究團隊也實驗了「平行測試時運算」：同時取樣多個獨立思考過程，再用多數投票或學習評分模型選出最佳答案。在 GPQA 生物、化學、物理難題集上，使用相當於 256 個獨立樣本的運算量、64k token 思考預算與學習評分模型，Claude 3.7 Sonnet 達到 84.8% 的成績，物理子項更高達 96.5%。不過，平行測試時運算尚未部署到正式模型，仍屬研究階段。
安全評估：維持 ASL-2，但出現能力提升訊號
Anthropic 的 Frontier Red Team 與 Alignment Stress Testing 團隊對 Claude 3.7 Sonnet 進行全面評估，結論是現行的 AI Safety Level 2（ASL-2）標準仍然適用。但在化學、生物、放射性與核子（CBRN）武器相關任務的對照研究中，模型輔助的參與者比單純使用網路資訊的參與者進步更多，顯示能力有所提升。
同時，所有嘗試都出現足以阻止任務完成的關鍵失敗。專家紅隊回饋也呈現分歧：部分專家注意到模型在特定 CBRN 領域的知識增加，但關鍵失敗頻率仍然過高。Anthropic 表示會加速部署針對性的分類器與監控系統，並為未來可能需要升級到 ASL-3 做好準備。
對產品開發者的意義
如果你正在設計需要複雜推理或長程代理任務的產品，thinking budget 提供了一個明確的調校旋鈕。但要注意，可見思考過程的內容不保證忠實反映模型決策，不適合直接當作安全監控或解釋性工具。
更務實的做法是：先在小規模任務上測試不同思考預算對成本與品質的影響，再決定是否要在使用者介面中揭露思考過程。Anthropic 自己也把這個功能定位為研究預覽，代表介面與行為未來仍可能調整。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。