Claude 3.7 Sonnet：功能、访问方式、基准测试与更多信息

什么是 Claude 3.7 Sonnet？

Claude 3.7 Sonnet 是 Anthropic 最新的 AI 模型，在推理、编码及真实世界问题求解方面迈出重要一步。最大的变化是新增思考模式，允许我们看到模型的逐步推理过程。它是如何工作的？我们来看看：

推理模型的重要性与普及度正在上升，原因也不难理解。下图显示，根据Anthropic Economic Index，有 37.2% 的用户依赖 Claude 处理编码与数学问题。这说明一件事——强大的推理模型可以带来实际的业务价值，尤其是在企业对 AI 的采用度仍然不高的当下。

来源：Antrophic Economic Index

同时，Claude 3.7 不仅是推理模型——它是混合型。我们可以在思考模式（用于结构化推理任务）与标准聊天模式（用于日常对话、写作与总结）之间切换。

Claude 3.7 Sonnet 与 Claude 3.5 Sonnet 对比

Claude 3.7 Sonnet 的升级幅度远超版本号所暗示的。基准数据表明，它在推理、编码和真实任务执行上全面优于 Claude 3.5 Sonnet。

软件工程表现

在 SWE-bench Verified 中，Claude 3.7 Sonnet 的准确率达到 62.3%，相较 Claude 3.5 Sonnet 的 49.0% 有显著提升。使用自定义脚手架（即通过结构化提示或额外上下文引导模型生成更准确的解答）后，准确率进一步提升至 70.3%，成为该类别表现最好的模型。

来源：Anthropic

两个版本间近 13% 的准确率提升绝非微调优化那么简单。这表明 Claude 3.7 Sonnet 在理解与执行编程相关任务上做了深入打磨。对于依赖 Claude 进行软件工程、调试或自动化的用户而言，这次升级能带来实实在在的改善。

代理式工具使用

在代理式工具使用方面，Claude 3.7 Sonnet 同样超越前代。在零售相关任务中，它达成 81.2% 的准确率，高于 Claude 3.5 Sonnet 的 71.5%。在航空相关任务中，它取得 58.4%，比前代版本提升近 10 个百分点。

来源：Anthropic

总体基准

在各项基准中，提升最大的来自扩展思考模式，使 Claude 3.7 能在复杂推理任务中大幅提升表现。依赖 AI 完成结构化流程、编码或问题求解的用户，尤其在启用扩展思考时，会清晰感受到 Claude 3.5 与 3.7 的差异。

来源：Anthropic

这些进步大多来自 Claude 的扩展思考功能，下面我们来进一步了解。

Claude 的扩展思考

启用后，扩展思考模式会增加 Claude 在给出最终答案前的推理步数。开发者可以通过设置“思考预算”来细化该过程，即限定模型在求解问题时可使用的 token 数量。如下方 AIME 2024 表现实验所示，分配的 token 越多，准确率越高，且呈对数增长趋势。

来源：Anthropic

这一方法类似人类的认知投入：简单任务快速作答即可，但复杂任务需要更深入的分析才能获得更好的结果。Claude 现可自行决定何时暂停、复盘并优化推理，而非默认立刻作答。

扩展思考模式最有趣的一点在于，Claude 的推理过程对用户可见。但这也带来一些挑战。虽然它提供了对 AI 推理的洞察，但展示的思考过程未必与模型实际的决策机制完全一致。“忠实性问题”——即 AI 自述的思考是否准确反映其内部机理——仍是一个未解的研究问题。

Claude 3.7 Sonnet 在长期、迭代式推理方面的能力已通过 OSWorld 与《精灵宝可梦 红》游戏等评测验证。以《精灵宝可梦 红》为例，Claude 3.7 Sonnet 的游戏推进明显优于前代，能够达成多个里程碑，而早期模型则在前期就会卡关。

来源：Anthropic

Claude 3.7 Sonnet 基准测试

我们已经看到 Claude 3.7 Sonnet 相较前代的表现，那么与 OpenAI 的 o3-mini、DeepSeek-R1 或 Grok 3 相比如何？

从最新的基准结果看，Claude 3.7 Sonnet 将自己定位为顶尖模型之一，尤其在重推理任务、编码及代理式工具使用方面表现出色。

推理与数学

在研究生级别推理（GPQA Diamond）中，Claude 3.7 Sonnet 在标准模式下得分 68.0%，在扩展思考模式下得分 84.8%，成为该类别最强模型之一。它显著超越 OpenAI 的 o1（78.0%）与 DeepSeek-R1（71.5%），与 Grok 3 Beta（84.6%）仅有微弱差距。

AIME 2024 基准（测试高中数学竞赛题）也呈现类似趋势。启用扩展思考后，Claude 3.7 Sonnet 从前代大幅跃升至 80.0%。尽管它以微弱优势领先 DeepSeek-R1（79.8%），但仍落后于 OpenAI 的 o3-mini（87.3%）与 Grok 3 Beta（93.3%）。

在数学问题求解（MATH 500）中，Claude 3.7 Sonnet 取得 96.2%，与 OpenAI 的 o3-mini（97.9%）和 DeepSeek R1（97.3%）非常接近。

编码与代理式工具使用

Claude 3.7 Sonnet 在编码基准上的提升最大。在 SWE-bench Verified（评估 AI 处理软件工程任务的能力）上，Claude 3.7 Sonnet 得分 62.3%，在自定义脚手架下提升至 70.3%。这使其明显领先 OpenAI 的 o1（48.9%）与 o3-mini（49.3%），以及以编码为目标训练的 DeepSeek R1（49.2%）。这也印证了 Claude 3.7 现已成为编程相关任务的最佳 AI 模型之一。

除编码之外，Claude 3.7 Sonnet 在代理式工具使用方面同样领先，是自动化与工作流执行的有力之选。在 TAU-bench（测试 AI 在结构化环境中与外部工具交互的能力）上，Claude 3.7 在零售相关任务中得分 81.2%，超过 OpenAI o1（73.5%）。在航空相关任务中，Claude 3.7 取得 58.4%，同样领先于 OpenAI o1（54.2%）。

这表明 Claude 3.7 非常适合商业应用与结构化工作流，对于希望将 AI 融入决策与运营流程的企业用户来说，是一个强有力的选择。

如何访问 Claude 3.7 Sonnet

Claude 3.7 Sonnet 可通过多种渠道使用，包括 Anthropic 的网页端、集成于各类应用中的 Claude，以及供开发者使用的 API。尽管模型升级幅度明显，但在可用性上仍有一些限制——尤其是思考模式目前被付费档位锁定。

网页与应用端

对普通用户而言，可通过 Anthropic 官方网站（claude.ai）与 Claude 应用访问。免费档可用，但有以下限制：

• 免费用户可在写作、总结与常规问答等基础任务中使用 Claude 3.7 Sonnet，但思考模式不可用。
• Claude Pro 用户（每月 20 美元的付费计划）可完整使用思考模式，并享有更高消息限额及高峰期优先通道。

要启用思考模式，您需要在模型下拉菜单中点击Extended：

Claude 3.7 Sonnet API 访问

开发者可通过 Anthropic 的 API 将 Claude 3.7 Sonnet 集成到应用中，API 可在Anthropic 开发者门户获取。计费采用按量付费，基于 token 使用量。

以下是 Anthropic API 的概览：

来源： Anthropic

请务必随时查看最新的 API 定价。

结论

Anthropic 以 Claude 3.7 Sonnet 迈出了近来最大的一步，这一模型终于将其带入推理型 AI 领域。基于基准测试，我们可以看到它是 OpenAI 的 o3-mini、DeepSeek-R1 与 Grok 3 的有力竞争者，在编码、结构化问题求解与代理式工具使用方面表现强劲。

可在通用与推理模式之间切换使其更具通用性，但将思考模式置于付费墙后或许并非明智之举，尤其当有免费的替代品可用时。总体而言，Claude 3.7 是一次重要的前进。

准备好迈出下一步了吗？欢迎观看我们的Claude 3.7 Sonnet API 视频，我们将展示如何构建您自己的多模态研究助手。