Claude 3.7 Sonnet: Tính năng, Truy cập, Điểm chuẩn & hơn thế nữa

Claude 3.7 Sonnet là gì?

Claude 3.7 Sonnet là mô hình AI mới nhất của Anthropic, được định vị là bước tiến lớn về lập luận, lập trình, và giải quyết vấn đề trong thực tế. Thay đổi lớn nhất là Claude 3.7 Sonnet nay hỗ trợ Thinking Mode, cho phép chúng ta thấy quá trình lập luận từng bước của mô hình. Hãy xem nó hoạt động ra sao:

Các mô hình lập luận đang trở nên quan trọng và phổ biến hơn, và lý do thì khá rõ. Nếu bạn nhìn vào biểu đồ dưới đây, sẽ thấy 37,2% người dùng dựa vào Claude cho câu hỏi về code và toán, theo Chỉ số Kinh tế Anthropic. Điều đó cho chúng ta thấy một điều—các mô hình lập luận mạnh có thể mang lại giá trị kinh doanh thực sự, nhất là khi mức độ ứng dụng AI trong doanh nghiệp vẫn còn thấp.

Nguồn: Antrophic Economic Index

Đồng thời, Claude 3.7 không chỉ là một mô hình lập luận—mà là mô hình lai. Chúng ta có thể chuyển giữa Thinking Mode (cho các tác vụ lập luận có cấu trúc) và chế độ chat tiêu chuẩn cho hội thoại tổng quát, viết, và tóm tắt.

Claude 3.7 Sonnet so với Claude 3.5 Sonnet

Claude 3.7 Sonnet là một nâng cấp lớn hơn nhiều so với những gì số phiên bản thể hiện. Dữ liệu điểm chuẩn xác nhận rằng nó vượt trội Claude 3.5 Sonnet về lập luận, lập trình, và thực thi tác vụ thực tế.

Hiệu năng kỹ thuật phần mềm

Claude 3.7 Sonnet thể hiện lợi thế rõ rệt trong kỹ thuật phần mềm, với điểm chính xác 62,3% trên SWE-bench Verified, tăng đáng kể so với 49,0% của Claude 3.5 Sonnet. Khi sử dụng custom scaffold (một lời nhắc có cấu trúc hoặc ngữ cảnh bổ sung giúp dẫn hướng phản hồi của mô hình đến lời giải chính xác hơn), độ chính xác tăng lên 70,3%, biến nó thành mô hình có hiệu suất tốt nhất ở hạng mục này.

Nguồn: Anthropic

Gần 13% cải thiện về độ chính xác giữa hai phiên bản không chỉ là tinh chỉnh nhỏ. Nó cho thấy Claude 3.7 Sonnet đã được tối ưu để hiểu và thực thi tốt hơn các tác vụ liên quan đến lập trình. Với người dùng dựa vào Claude cho kỹ thuật phần mềm, gỡ lỗi, hoặc tự động hóa, nâng cấp này tạo ra khác biệt rõ rệt.

Khả năng dùng công cụ tác tử

Hiệu năng trong sử dụng công cụ tác tử là một lĩnh vực khác nơi Claude 3.7 Sonnet vượt qua phiên bản trước. Ở các tác vụ liên quan bán lẻ, nó đạt 81,2% độ chính xác, tăng từ 71,5% của Claude 3.5 Sonnet. Ở các tác vụ hàng không, nó đạt 58,4%, tăng gần mười điểm so với phiên bản trước.

Nguồn: Anthropic

Các điểm chuẩn tổng thể

Trên toàn bộ các điểm chuẩn, mức tăng lớn nhất đến từ extended thinking mode, cho phép Claude 3.7 hoạt động ở mức cao hơn nhiều trong các tác vụ lập luận phức tạp. Người dùng dựa vào AI cho quy trình có cấu trúc, viết code, hoặc giải quyết vấn đề sẽ thấy khác biệt rõ rệt giữa Claude 3.5 và Claude 3.7, đặc biệt khi bật extended thinking.

Nguồn: Anthropic

Phần lớn tiến bộ này đến từ extended thinking của Claude, vậy hãy tìm hiểu thêm về điều này.

Extended Thinking của Claude

Khi được bật, extended thinking mode tăng số bước lập luận mà Claude thực hiện trước khi chốt câu trả lời. Nhà phát triển có thể tinh chỉnh bằng cách đặt ngân sách suy nghĩ, xác định số token mô hình có thể dùng khi xử lý một vấn đề. Như thể hiện trong biểu đồ hiệu năng AIME 2024 bên dưới, độ chính xác cải thiện khi phân bổ nhiều token hơn, theo xu hướng logarit.

Nguồn: Anthropic

Cách tiếp cận này phản chiếu nỗ lực nhận thức của con người: với tác vụ đơn giản, câu trả lời nhanh là đủ, nhưng với tác vụ phức tạp, phân tích sâu dẫn tới kết quả tốt hơn. Giờ đây Claude có thể quyết định khi nào nên tạm dừng, đánh giá lại, và tinh chỉnh lập luận thay vì mặc định trả lời ngay.

Một khía cạnh thú vị của extended thinking mode là quá trình lập luận của Claude hiển thị cho người dùng. Tuy nhiên, tính năng này cũng đặt ra thách thức. Dù cung cấp góc nhìn về lập luận của AI, tiến trình suy nghĩ hiển thị có thể không luôn phản ánh hoàn hảo cách mô hình thực sự ra quyết định. “Vấn đề tính trung thực”—liệu suy nghĩ tự báo cáo của AI có đại diện chính xác cho cơ chế nội tại hay không—vẫn là câu hỏi nghiên cứu bỏ ngỏ.

Khả năng của Claude 3.7 Sonnet trong lập luận dài hạn, lặp lại được kiểm chứng qua các đánh giá như OSWorld và chơi Pokémon Red. Chẳng hạn trong Pokémon Red, Claude 3.7 Sonnet đạt tiến độ trong game cao hơn nhiều so với các phiên bản trước, vượt qua nhiều mốc trong khi các mô hình trước đó bị mắc kẹt sớm.

Nguồn: Anthropic

Các điểm chuẩn của Claude 3.7 Sonnet

Chúng ta đã thấy Claude 3.7 Sonnet thể hiện thế nào so với phiên bản trước, vậy còn so với o3-mini của OpenAI, DeepSeek-R1, hoặc Grok 3 thì sao?

Nhìn vào các điểm chuẩn cập nhật, Claude 3.7 Sonnet đã tự định vị là một trong những mô hình hàng đầu, đặc biệt ở các tác vụ đòi hỏi lập luận nặng, lập trình, và sử dụng công cụ tác tử.

Lập luận và toán học

Ở lập luận cấp sau đại học (GPQA Diamond), Claude 3.7 Sonnet đạt 68,0% ở chế độ tiêu chuẩn và 84,8% ở extended thinking, biến nó thành một trong những mô hình mạnh nhất ở hạng mục này. Nó vượt OpenAI’s o1 (78,0%) và DeepSeek-R1 (71,5%) với biên độ đáng kể và chỉ thua Grok 3 Beta (84,6%) một chút.

Bài kiểm tra AIME 2024, đánh giá các bài toán thi toán trung học, cho thấy xu hướng tương tự. Claude 3.7 Sonnet tạo bước nhảy vọt lớn so với các phiên bản trước, đạt 80,0% khi bật extended thinking. Dù vượt DeepSeek-R1 (79,8%) một chút, nó vẫn sau o3-mini của OpenAI (87,3%) và Grok 3 Beta (93,3%).

Ở giải bài toán (MATH 500), Claude 3.7 Sonnet đạt 96,2%, tiệm cận o3-mini của OpenAI (97,9%) và DeepSeek R1 (97,3%).

Lập trình và sử dụng công cụ tác tử

Claude 3.7 Sonnet có mức tăng lớn nhất ở các điểm chuẩn lập trình. Trên SWE-bench Verified (đánh giá mô hình AI ở tác vụ kỹ thuật phần mềm), Claude 3.7 Sonnet đạt 62,3%, tăng lên 70,3% với custom scaffold. Điều này đưa nó vượt xa o1 (48,9%) và o3-mini (49,3%) của OpenAI, cũng như DeepSeek R1 (49,2%), vốn được thiết kế chú trọng vào lập trình. Điều này xác nhận rằng Claude 3.7 hiện là một trong những mô hình AI tốt nhất cho các tác vụ liên quan lập trình.

Ngoài lập trình, Claude 3.7 Sonnet dẫn đầu trong sử dụng công cụ tác tử, khiến nó trở thành lựa chọn mạnh cho tự động hóa và thực thi quy trình. Trên TAU-bench (kiểm tra khả năng AI tương tác công cụ bên ngoài trong môi trường có cấu trúc), Claude 3.7 đạt 81,2% ở tác vụ bán lẻ, vượt OpenAI o1 (73,5%). Ở tác vụ hàng không, Claude 3.7 đạt 58,4%, một lần nữa vượt OpenAI o1 (54,2%).

Điều này gợi ý rằng Claude 3.7 phù hợp với ứng dụng doanh nghiệp và quy trình có cấu trúc, là lựa chọn mạnh cho các tổ chức muốn tích hợp AI vào quy trình ra quyết định và vận hành.

Cách truy cập Claude 3.7 Sonnet

Claude 3.7 Sonnet có mặt qua nhiều kênh, bao gồm giao diện web của Anthropic, tích hợp Claude trong các ứng dụng khác nhau, và quyền truy cập API cho nhà phát triển. Dù mô hình là một nâng cấp đáng kể, khả dụng của nó đi kèm một số giới hạn—đặc biệt nếu bạn muốn dùng Thinking Mode, hiện đang bị khóa trong gói trả phí.

Truy cập qua web và ứng dụng

Với người dùng phổ thông, Claude 3.7 Sonnet có thể truy cập qua website chính thức của Anthropic (claude.ai) và ứng dụng Claude. Nó có trong gói miễn phí, nhưng có hạn chế:

• Người dùng miễn phí có thể dùng Claude 3.7 Sonnet cho các tác vụ cơ bản như viết, tóm tắt, và hỏi đáp tổng quát, nhưng Thinking Mode bị tắt.
• Người dùng Claude Pro (gói trả phí 20 USD/tháng) được truy cập đầy đủ Thinking Mode, cùng hạn mức tin nhắn cao hơn và quyền ưu tiên khi cao điểm.

Để bật Thinking Mode, bạn cần nhấp vào Extended từ menu thả xuống của mô hình:

Truy cập API của Claude 3.7 Sonnet

Nhà phát triển có thể tích hợp Claude 3.7 Sonnet vào ứng dụng của mình bằng API của Anthropic, truy cập qua cổng dành cho nhà phát triển của Anthropic. API hỗ trợ mô hình tính phí theo mức sử dụng token.

Dưới đây là tổng quan về các dịch vụ API của Anthropic:

Nguồn: Anthropic

Hãy luôn kiểm tra giá API mới nhất.

Kết luận

Anthropic vừa có bước đi lớn nhất trong một thời gian với Claude 3.7 Sonnet, một mô hình cuối cùng cũng đưa họ vào không gian AI lập luận. Dựa trên các điểm chuẩn, chúng ta thấy đây là đối thủ cạnh tranh thực sự với o3-mini của OpenAI, DeepSeek-R1, và Grok 3, với hiệu năng mạnh ở lập trình, giải quyết vấn đề có cấu trúc, và sử dụng công cụ tác tử.

Khả năng chuyển đổi giữa chế độ tổng quát và chế độ lập luận giúp nó linh hoạt hơn, nhưng việc khóa Thinking Mode sau tường phí có phần thiếu hợp lý, đặc biệt khi có các lựa chọn miễn phí. Dù vậy, Claude 3.7 vẫn là bước tiến lớn.

Bạn đã sẵn sàng cho bước tiếp theo? Hãy xem video API Claude 3.7 Sonnet nơi chúng tôi sẽ hướng dẫn bạn xây dựng trợ lý nghiên cứu đa phương thức của riêng mình.