加强版Claude3.5正式上线，一句话操控电脑的时代真的要来了。
科技
2024-10-24 12:31
山西
升级版的Claude 3.5 Sonnet，新模型Claude 3.5 Haiku，还有全新的新功能：computer use，翻译过来后，我把他称为，“计算机操控”。首先新模型升级版Claude 3.5 Sonnet。Claude的模型一直分为三个尺寸，分别是Opus、Sonnet、Haiku。从大到小。3月的时候，Claude正式推出Claude 3代的全系模型，从Opus到Haiku都有。那时候Claude 3.5 Sonnet的能力就吊打了旧的最大参数的模型。
而今天，推送的是升级版的Claude 3.5 Sonnet，还有新的Claude 3.5 Haiku。有趣的是，Claude 3.5 Haiku还是后训的，知识截止时间是7月，而升级版Claude 3.5 Sonnet知识时间并没有变，也就是加了更多的强化学习的合成数据以及“计算机控制”的训练。而Claude 3.5 Sonnet的整体性能上，基本傲视群雄。不管是推理、还是本科的知识、还是编程能力啥的，都是No.1，而且Claude的跑分不像很多模型那种刷榜，他的跑分是真的可信的。我相信6月Claude 3.5 Sonnet上线后，直接一波科技跃迁，带着cursor之类的A编程一波升天，就不会有任何人会怀疑Claude的代码能力了吧。
最特别的评测基准其实是那个第七行的SWE-bench Verified，大概就是测试写代码解决问题的真实能力，这个评测基准是8月份OpenAI提的，然后这波Claude 3.5直接把这个基准加在自己的跑分里。但是按Claude的话说，o1是个什么脏东西，不认识。而新版的Claude 3.5 Sonnet，目前也在Claude官网上上线了。我直接发了最简单的一句话：给我生成一个非常精美的俄罗斯方块游戏。
然后，升级版Claude 3.5 Sonnet，就开始嘟嘟嘟的生成。
直接一次性生成了280行代码，而且这个游戏，是真的可以直接玩的。。也可以直接让它生成一个随时可调可互动的动效模拟器，彻底改变学习方式。
这个其实就没太多可说的了，常规升级，但是是目前最快、性价比最高的模型。在跟Claude 3 Haiku的相同成本和速度下，直接击败了参数量最大的Claude 3 Opus。在编码任务上，居然能直接打败没升级前的Claude 3.5 Sonnet，这个是最离谱的。只能说，Anthropic的强化学习范式走的还是太超前了，合成数据的质量实在是太高太高了。那最后，也是最重磅的一点，Claude的“computer use”，也就是新功能，计算机控制。这个点就非常的科幻，能够实时分析用户计算机屏幕上的活动，并自主执行在线任务，比如浏览、点击和输入。Anthropic是这么描述这个“计算机控制”的功能的：“Claude 3.5 Sonnet可以按照用户的命令在计算机屏幕上移动光标，点击相关位置，并通过虚拟键盘输入信息，模拟人们与自己计算机的互动方式。”这，就是一个能理解用户意图，并帮他自主实现的真正的Agent。
以前的Agent，说实话，看上去更像一个RPA，就是根据预设好的工作流，一步一步的执行下去，但是真正的Agent应该是什么样？
在我看来，他就应该跟人一样，能理解你的复杂语义，把这个复杂语义具象成可执行的步骤，就像我说现在“凌晨3点半了我太困了，但是文章还没有写完，你帮我看看附近有没有咖啡买，有的话帮我买一杯，没有的话就算了。”如果是个人，那肯定是会打开美团外卖或者饿了么，看看附近有没有咖啡店开着，如果有开着的，看看我最喜欢喝的冰美式有没有的，没有冰美式的话问我一句要换什么口味？然后下单，等待送达。如果3点半附近都关门了，那也应该告诉我，附近没卖的了，哥们你自己撑一撑吧，一会就能睡了。这才是AI，这才是我们身边，能进入到普通人生活中的，最酷的AI助手。而这种AI助手，它势必，需要学会操作手机或者电脑。我们不止要让AI学会写文章，学会画图，也要让他学会操作。这样，才能有很强的，自主探索、解决问题的泛化能力。
而升级版Claude 3.5 ，只是在一些简单软件上进行了训练，就有了操作一些不复杂软件的能力，甚至还会自我纠错，不断重试，这又何尝不是一种强化学习、自我博弈呢？Anthropic，真的吧Self-Play玩出花了。目前，在测试开发者让模型使用计算机的一个基准评估（OSWorld）中，Claude 目前得分为 14.9%。而人类水平通常为 70-75%，虽然差距很大，还有一些路要走，但已经远高于目前其他最好AI模型的7.7%这个分数了。不过现在这个功能普通用户还用不到，只对开发者进行开放，有API接入，Anthropic的本意是还在前期测试阶段，怕有危险，所以让开发先帮忙测试一下。我们也花了N久时间，把API接入进来，做了一些简单的测试。先装了一个类似于模拟系统的东西，一切行为都会在这个模拟系统里运行，Anthropic还是怕对你的系统会有一个不可逆转的损害影响。我测了很多个case，但是说实话，一是速度实在太磨叽了...二是成功率，确实还有点低下。
比如这个案例：“打开淘宝网站页面，找到小米手机官方旗舰店，找一个2000左右的手机，加到购物车。”但是Claude翻车了，翻车的点也很搞笑，是在输入店名上，人明明叫小米官方旗舰店，它非要写“方店”，后面又试了一次，这次连两个字都不写了，直接写了一个字“舰”，这能搜到才有鬼了...而且，这个视频我已经两倍速了，你们可以感受一下它有多慢。。不过，让他玩2048，它玩的倒是非常的开心。这一次，是三倍速。玩的还挺好，我感觉在这放着，他一个人能玩到天荒地老。当然，也能做一些很实际的事情，比如给我的浏览器装一个可以屏蔽广告的插件。
他居然把插件地址背下来了，直接输入，给我搜索+安装一步到位。虽然总体任务的成功率还比较一般，但是还好，毕竟Claude自己也说了，成功率没那么高。
他们坚信，使模型适应工具，这是必然，而模型也可以融入我们每天使用的环境里，成为我们生活的方方面面。他们的目标是让Claude使用现有的计算机软件，就像人一样。![]( "黑色小圆动图分割线")
谷歌被俄罗斯罚款2,500,000,000,000,000,000,000,000,000,000,000,000美元
