เปิดตัว Claude 4: Opus 4 และ Sonnet 4
(anthropic.com)- Anthropic เปิดตัว Claude Opus 4 และ Claude Sonnet 4 โดยชูงานเขียนโค้ด การให้เหตุผลขั้นสูง และงาน AI agent เป็นขอบเขตสมรรถนะหลักของ Claude รุ่นถัดไป
- ทั้งสองโมเดลเป็น โมเดลไฮบริด ที่สลับระหว่างการตอบกลับแทบจะทันทีและการให้เหตุผลเชิงลึกได้ พร้อมรองรับการใช้เครื่องมืออย่างการค้นหาเว็บระหว่าง extended thinking และการรันเครื่องมือแบบขนาน
- Opus 4 ทำได้ 72.5% บน SWE-bench และ 43.2% บน Terminal-bench ส่วน Sonnet 4 ทำได้ 72.7% บน SWE-bench พร้อมปรับปรุงด้านการเขียนโค้ด การให้เหตุผล และการทำตามคำสั่งเมื่อเทียบกับ Sonnet 3.7
- Claude Code เปิดให้ใช้งานจริงแล้ว โดยขยายไปยังเทอร์มินัล, VS Code, JetBrains, GitHub Actions และ SDK และสามารถช่วยตอบกลับรีวิว PR, แก้ข้อผิดพลาดใน CI และแก้ไขโค้ดได้
- ใน API มีการเพิ่มเครื่องมือรันโค้ด, MCP connector, Files API และ prompt cache สูงสุด 1 ชั่วโมง เพื่อให้นักพัฒนาสร้าง AI agent ที่ทรงพลังยิ่งขึ้นได้
เปิดตัวโมเดล Claude 4
- Anthropic เปิดตัว Claude Opus 4 และ Claude Sonnet 4 เป็นโมเดลรุ่นถัดไปของ Claude
- จุดเน้นหลักของทั้งสองโมเดลคือการเขียนโค้ด การให้เหตุผลขั้นสูง และงาน AI agent
- Claude Opus 4 เป็นโมเดลสำหรับเขียนโค้ดที่ให้ประสิทธิภาพต่อเนื่องในงานซับซ้อน งานที่ใช้เวลานาน และเวิร์กโฟลว์แบบ agent
- Claude Sonnet 4 เป็นรุ่นอัปเกรดของ Claude Sonnet 3.7 ที่ยกระดับประสิทธิภาพด้านการเขียนโค้ด การให้เหตุผล และความแม่นยำในการทำตามคำสั่ง
รูปแบบการให้บริการและราคา
- Claude Opus 4 และ Sonnet 4 รองรับทั้งการตอบกลับที่แทบจะทันทีและโหมด extended thinking สำหรับการให้เหตุผลที่ลึกขึ้น
- แผน Claude แบบ Pro, Max, Team และ Enterprise รวมทั้งสองโมเดลและ extended thinking
- Sonnet 4 มีให้ผู้ใช้ฟรีใช้งานได้ด้วย
- ทั้งสองโมเดลให้บริการผ่าน Anthropic API, Amazon Bedrock และ Google Cloud Vertex AI
- ราคายังคงเท่าเดิมกับโมเดล Opus และ Sonnet รุ่นก่อน
- Opus 4: $15/$75 ต่อ 1 ล้านโทเค็นอินพุต/เอาต์พุต
- Sonnet 4: $3/$15 ต่อ 1 ล้านโทเค็นอินพุต/เอาต์พุต
ประสิทธิภาพด้านการเขียนโค้ดและงานระยะยาวของ Opus 4
- Claude Opus 4 เป็นโมเดลที่ทรงพลังที่สุดของ Anthropic โดยทำได้ 72.5% บน SWE-bench และ 43.2% บน Terminal-bench
- ให้ประสิทธิภาพต่อเนื่องในงานระยะยาวที่ต้องใช้การทำงานอย่างมีสมาธิหลายพันขั้นตอน และสามารถทำงานต่อเนื่องได้นานหลายชั่วโมง
- Cursor มองว่า Opus 4 เป็นโมเดลล้ำสมัยที่สุดด้านการเขียนโค้ด และประเมินว่ามีความก้าวหน้าอย่างมากในการทำความเข้าใจ codebase ที่ซับซ้อน
- Replit ระบุว่ามีความแม่นยำสูงขึ้นในการเปลี่ยนแปลงที่ซับซ้อนซึ่งครอบคลุมหลายไฟล์
- Block อธิบายว่าใน agent ภายในชื่อ codename goose นั้น Opus 4 เป็นโมเดลแรกที่รักษาทั้งประสิทธิภาพและความน่าเชื่อถือไว้ได้ พร้อมยกระดับคุณภาพโค้ดระหว่างการแก้ไขและดีบัก
- Rakuten ยืนยันว่า Opus 4 แสดงประสิทธิภาพต่อเนื่องได้ โดยรันงานรีแฟกเตอร์โอเพนซอร์สที่ท้าทายแบบอิสระนาน 7 ชั่วโมง
- Cognition ประเมินว่า Opus 4 โดดเด่นในงานสำคัญที่โมเดลก่อนหน้าพลาดไป และโจทย์ซับซ้อนที่โมเดลอื่นแก้ไม่ได้
ตำแหน่งของ Sonnet 4
- Claude Sonnet 4 เป็นโมเดลที่ปรับปรุงจาก Sonnet 3.7 และทำได้ 72.7% บน SWE-bench
- ตั้งเป้าสมดุลระหว่างประสิทธิภาพและประสิทธิผลสำหรับกรณีใช้งานทั้งภายในและภายนอก พร้อมปรับปรุงความสามารถในการ steer เพื่อควบคุมการนำไปใช้งาน
- แม้จะไม่เทียบเท่า Opus 4 ในแทบทุกด้าน แต่ก็ให้การผสมผสานระหว่างความสามารถและความใช้งานได้จริง
- GitHub มีแผนนำ Sonnet 4 ไปใช้เป็นโมเดลขับเคลื่อน coding agent ตัวใหม่ของ GitHub Copilot
- Manus เน้นย้ำการปรับปรุงด้านการทำตามคำสั่งที่ซับซ้อน การให้เหตุผลที่ชัดเจน และผลงานที่มีความสวยงาม
- iGent ระบุว่าการพัฒนาแอปหลายฟังก์ชันแบบอัตโนมัติและการสำรวจ codebase ดีขึ้น และข้อผิดพลาดระหว่างการสำรวจลดลงจาก 20% เหลือเกือบ 0
- Sourcegraph ประเมินว่า Sonnet 4 รักษาทิศทางได้นานขึ้น เข้าใจปัญหาได้ลึกขึ้น และให้คุณภาพโค้ดที่สละสลวยกว่าเดิม
- Augment Code เลือก Sonnet 4 เป็นตัวเลือกอันดับแรกสำหรับโมเดลเริ่มต้น ด้วยเหตุผลเรื่องอัตราความสำเร็จที่สูงขึ้น การแก้ไขโค้ดที่แม่นยำขึ้น และความรอบคอบในงานที่ซับซ้อน
การปรับปรุงความสามารถของโมเดล
- ทั้งสองโมเดลสามารถใช้เครื่องมือได้แม้ระหว่าง extended thinking
- ตัวอย่างเช่น สามารถใช้ web search ได้
- Claude สามารถสลับระหว่างการให้เหตุผลและการใช้เครื่องมือเพื่อปรับปรุงคำตอบ
- รองรับ การรันเครื่องมือแบบขนาน และการทำตามคำสั่งที่แม่นยำยิ่งขึ้น
- เมื่อนักพัฒนาเปิดให้เข้าถึงไฟล์ในเครื่อง โมเดลจะแสดง ความสามารถด้านความจำ โดยดึงและเก็บข้อเท็จจริงสำคัญไว้เพื่อรักษาความต่อเนื่องและความรู้โดยนัย
- พฤติกรรมที่จบงานด้วยทางลัดหรือการอาศัยช่องโหว่ลดลงเมื่อเทียบกับ Sonnet 3.7
- โดยเฉพาะในงาน agent ที่เสี่ยงต่อทางลัดและช่องโหว่ ทั้งสองโมเดลมีโอกาสแสดงพฤติกรรมดังกล่าวน้อยกว่า Sonnet 3.7 ถึง 65%
- Opus 4 เด่นในการสร้างและดูแล
memory filesที่เก็บข้อมูลสำคัญในแอปพลิเคชันที่นักพัฒนาเปิดให้เข้าถึงไฟล์ในเครื่อง- ตัวอย่างเช่น สร้าง
Navigation Guideระหว่างเล่น Pokémon - ช่วยปรับปรุงการรับรู้งานระยะยาว ความสม่ำเสมอ และประสิทธิภาพงานแบบ agent
- ตัวอย่างเช่น สร้าง
สรุปกระบวนการคิดและ Developer Mode
- โมเดล Claude 4 เพิ่ม thinking summaries ที่ย่อกระบวนการคิดยาว ๆ ด้วยโมเดลขนาดเล็กกว่า
- สรุปแบบนี้จำเป็นเพียงประมาณ 5% ของกรณีทั้งหมด
- กระบวนการคิดส่วนใหญ่สั้นพอที่จะแสดงทั้งหมดได้
- ผู้ใช้ที่ต้องการ raw chain of thought สำหรับงาน prompt engineering ขั้นสูง สามารถสอบถาม Developer Mode ใหม่ได้ผ่าน contact sales
Claude Code เปิดให้ใช้งานจริง
- Claude Code เปิดให้ใช้งานจริงแล้ว โดยขยาย Claude ไปยังเทอร์มินัล, IDE และเวิร์กโฟลว์การรันเบื้องหลัง
- ส่วนขยายเบต้าใหม่สำหรับ VS Code และ JetBrains ผสาน Claude Code เข้ากับ IDE โดยตรง
- การแก้ไขที่ Claude แนะนำจะแสดงแบบอินไลน์ภายในไฟล์
- ผู้ใช้สามารถรีวิวและติดตามการเปลี่ยนแปลงได้จากภายในเอดิเตอร์ที่คุ้นเคย
- เมื่่อรัน Claude Code ใน IDE terminal ระบบจะติดตั้งส่วนขยายให้
- รองรับ งานเบื้องหลัง ผ่าน GitHub Actions
- ยังเปิดตัว Claude Code SDK ที่ขยายต่อได้
- นักพัฒนาสามารถใช้ core agent แบบเดียวกับ Claude Code เพื่อสร้าง agent และแอปพลิเคชันของตนเองได้
- Claude Code on GitHub เปิดให้ใช้งานในสถานะเบต้า
- สามารถแท็ก Claude Code ใน PR เพื่อช่วยตอบกลับฟีดแบ็กจากผู้รีวิว แก้ข้อผิดพลาดใน CI และแก้ไขโค้ดได้
- ติดตั้งได้ด้วยการรัน
/install-github-appภายใน Claude Code
API และความปลอดภัย
- Anthropic API เพิ่ม ฟีเจอร์ใหม่ 4 อย่าง สำหรับการพัฒนา AI agent
- เครื่องมือรันโค้ด
- MCP connector
- Files API
- prompt cache สูงสุด 1 ชั่วโมง
- โมเดล Claude 4 ถูกวางให้เป็นอีกก้าวหนึ่งสู่การรักษาบริบททั้งหมด การคงสมาธิในโปรเจ็กต์ระยะยาว และงานที่สร้างผลกระทบสูง
- มีการทดสอบและประเมินอย่างกว้างขวางเพื่อลดความเสี่ยงและยกระดับความปลอดภัยของโมเดล
- รวม มาตรการป้องกัน สำหรับ AI Safety Levels ที่สูงขึ้นอย่าง ASL-3
- ผู้ใช้สามารถเริ่มใช้งานผ่าน Claude, Claude Code หรือแพลตฟอร์มที่ต้องการได้
วิธีการรายงานเบนช์มาร์ก
- Claude Opus 4 และ Sonnet 4 เป็นโมเดลให้เหตุผลแบบไฮบริด และเบนช์มาร์กที่เผยแพร่จะแสดงคะแนนสูงสุดที่ทำได้ไม่ว่าจะใช้ extended thinking หรือไม่
- ผลลัพธ์ที่ไม่ได้ใช้ extended thinking ได้แก่
- SWE-bench Verified
- Terminal-bench
- ผลลัพธ์ที่ใช้ extended thinking ใช้ได้สูงสุด 64K โทเค็น
- TAU-bench
- GPQA Diamond
- MMMLU
- MMMU
- AIME
- ยังมีการแสดงบางคะแนนที่วัดโดยไม่ใช้ extended thinking ด้วย
- GPQA Diamond: Opus 4 74.9%, Sonnet 4 70.0%
- MMMLU: Opus 4 87.4%, Sonnet 4 85.4%
- MMMU: Opus 4 73.7%, Sonnet 4 72.6%
- AIME: Opus 4 33.9%, Sonnet 4 33.1%
วิธีวิทยาของ TAU-bench และ SWE-bench
- คะแนน TAU-bench ได้มาจากการตั้งค่าที่เพิ่มภาคผนวกพรอมป์ต์เข้าไปใน Airline และ Retail Agent Policy เพื่อให้ Claude ใช้ความสามารถในการให้เหตุผลได้ดีขึ้นระหว่าง extended thinking และการใช้เครื่องมือ
- โมเดลถูกกระตุ้นให้เขียนความคิดระหว่างแก้ปัญหาในลักษณะที่แยกจากโหมดคิดปกติ
- เนื่องจากการคิดเพิ่มเติมอาจทำให้จำนวนขั้นตอนเพิ่มขึ้น จำนวนขั้นตอนสูงสุดจึงเพิ่มจาก 30 เป็น 100
- เส้นทางการทำงานส่วนใหญ่จบภายในไม่ถึง 30 ขั้นตอน
- มีเพียงเส้นทางเดียวที่เกิน 50 ขั้นตอน
- ใน SWE-bench ของตระกูล Claude 4 ยังคงใช้ scaffold แบบง่ายเช่นเดียวกับรีลีสก่อนหน้า
- เครื่องมือมีเพียงสองอย่างคือเครื่องมือ bash และเครื่องมือแก้ไขไฟล์แบบแทนที่สตริง
planning toolตัวที่สามซึ่งใช้ใน Claude 3.7 Sonnet ไม่ได้รวมอยู่แล้ว
- คะแนนของโมเดล Claude 4 ทั้งหมดรายงานบนฐานของ 500 โจทย์เต็มชุด
- คะแนนของโมเดล OpenAI รายงานบนฐานของ ชุดย่อย 477 โจทย์
- คะแนนแบบ “high compute” ใช้การคำนวณตามช่วงเวลาของการทดสอบแบบขนานและความซับซ้อนเพิ่มเติม
- มีการสุ่มหลายความพยายามแบบขนาน
- คัดทิ้งแพตช์ที่ทำให้ regression test ที่มองเห็นได้ในรีโพแตก
- ไม่ใช้ข้อมูลจาก hidden tests
- ใช้โมเดลให้คะแนนภายในเพื่อเลือกตัวเลือกที่ดีที่สุดจากความพยายามที่เหลือ
- คะแนน high compute ของวิธีนี้คือ Opus 4 79.4% และ Sonnet 4 80.2%
1 ความคิดเห็น
ความคิดเห็นบน Hacker News
จุดสำคัญที่หายไปจากการประกาศครั้งนี้คือ จุดตัดข้อมูลการฝึกของ Claude 4 อยู่ที่เดือนมีนาคม 2025 ถือว่าใหม่ที่สุดในบรรดาโมเดลล่าสุด และ Gemini 2.5 มีจุดตัดอยู่ที่มกราคม 2025
https://docs.anthropic.com/en/docs/about-claude/models/overv...
โมเดลที่ใช้บ่อย ๆ ฉลาดพอที่จะตัดสินเองได้ว่าหัวข้อไหนต้องใช้ข้อมูลใหม่ แล้วไปดึงมา
“GitHub says Claude Sonnet 4 soars in agentic scenarios and will introduce it as the base model for the new coding agent in GitHub Copilot.”
โมเดลนี้อาจผลักให้ความฝันที่ว่า “Assign to CoPilot” จะจัดการงานเชิงกลส่วนใหญ่ เช่น การอัปเกรดแพ็กเกจ ได้โดยอัตโนมัติ เข้าใกล้ความจริงขึ้น ถ้าภาระการบำรุงรักษาลดลง ก็มีโอกาสสูงที่จะนำไปสู่ การฟื้นคืนชีพของโปรเจกต์เก่า ๆ
ตอนนี้ยังไม่มีโครงสร้างทางการ แต่ถ้าเห็นคอมเมนต์นี้แล้วต้องการรัน coding agent ฟรี ก็ส่งอีเมลมาได้ ผมจะช่วยตั้งค่าให้
[0] เป็นผลิตภัณฑ์ coding agent แบบ headless ของผมเอง คล้ายกับ “assign to copilot” แต่จัดการงานหลายงานจากบอร์ดงานอย่าง Linear, Jira แบบขนานได้ จนถึงตอนนี้ฟีเจอร์ที่เรียบง่ายและทำซ้ำ ๆ ได้ผลค่อนข้างดี และโดยทั่วไปยิ่งเทสต์ดี โค้ดที่ได้ก็ยิ่งดี แน่นอนว่ามันสามารถเขียนเทสต์เองได้ และก็เขียนจริง ๆ
โมเดล AI ตอนนี้แทบไม่มีความคืบหน้าในงานนี้เลย ผมตั้งใจจะลองต่อไปเรื่อย ๆ จนกว่าจะทำได้
ผมคิดว่าส่วนที่ AI จะช่วยได้ตรงนี้คือการสรุปการเปลี่ยนแปลง ความขัดแย้ง ผลกระทบต่อ codebase และถ้าเป็นไปได้ก็ สแกนความปลอดภัย ประมาณนั้น
“Users requiring raw chains of thought for advanced prompt engineering can contact sales”
ตอนนี้ดูเหมือนผู้ให้บริการ LLM ทั้งสามรายต่างก็ซ่อน กระบวนการคิด (CoT) กันหมดแล้ว น่าเสียดาย เพราะมันช่วยให้เห็นจังหวะที่โมเดลกำลังจะไปผิดทาง และช่วยปรับ prompt ได้เร็ว
ไม่ใช่แค่ OpenAI แต่ Google ก็เพิ่งเริ่มเปลี่ยนกระบวนการคิดให้เป็นสรุปเหมือนกัน ซึ่งส่วนตัวผมมองว่าเป็นสรุปที่ทำให้ง่ายเกินไป
https://assets.anthropic.com/m/71876fabef0f0ed4/original/rea...
เปเปอร์ประเมินความซื่อตรงของกระบวนการคิดในโมเดล reasoning รุ่นล่าสุดด้วย hint สำหรับการให้เหตุผล 6 แบบ และระบุว่า ในกรณีที่ใช้ hint อย่างน้อย 1% จะปรากฏในกระบวนการคิดในเกือบทุกการตั้งค่าและทุกโมเดล แต่อัตราการเปิดเผยมักต่ำกว่า 20% และการเรียนรู้แบบเสริมกำลังตามผลลัพธ์ตอนแรกช่วยเพิ่มความซื่อตรง แต่ไม่ได้อิ่มตัวและกลับชะงักลง อีกทั้งแม้ reward hacking จะทำให้ความถี่ในการใช้ hint เพิ่มขึ้น แนวโน้มที่โมเดลจะพูดถึงสิ่งนั้นในกระบวนการคิดก็ไม่ได้เพิ่มขึ้น
กล่าวคือ กระบวนการคิดเองก็อาจเป็น คำอธิบายที่โมเดลแต่งขึ้น ได้ ดังนั้นอาจมีใครบางคนภายใน Anthropic ไม่อยากทำให้ลูกค้าเข้าใจผิด และถ้าปัญหานี้ถูกแก้แล้ว มันก็อาจกลับมาอีก
ถ้าโมเดลสำหรับกระบวนการคิดถูกฝึกต่างจากโมเดลที่โต้ตอบกับผู้ใช้ปลายทาง ก็สมเหตุสมผล เช่น อาจเป็น expert คนละตัวใน MoE และผู้ใช้ก็จะเห็นแค่เอาต์พุตที่ถูกกรองผ่านโมเดลสาธารณะอยู่แล้ว ดังนั้นโมเดลกระบวนการคิดจะใกล้เคียงโมเดลดิบก่อน RLHF มากกว่าก็มีความเสี่ยงต่อชื่อเสียงบริษัทน้อยกว่า
วิธีนี้จะทำให้ได้ประสิทธิภาพของโมเดลดิบ ขณะยังคงการกรองเพื่อป้องกันอันตรายจริงหรือเหตุ PR ร้ายแรงไว้ได้
ตอนถามเรื่อง Zig กับการ implementation การได้ดูเส้นทางความคิดของโมเดลช่วยเปิดมุมมองให้กว้างขึ้นมาก
คงไม่ใช่แค่ผมคนเดียวที่คิดว่าเวอร์ชันนี้ไม่ได้ดีกว่ารุ่นก่อน ๆ, LLM โดยพื้นฐานแล้วเข้าสู่ช่วง ชะงักงัน และ “ฟีเจอร์” ของรีลีสใหม่ ๆ ส่วนใหญ่ใกล้เคียงกับการหลอกตา
พูดตามจริง ผมไม่เห็นภาพเลยว่าบริษัทพวกนี้จะยั่งยืนได้อย่างไร เคยโฮสต์ inference บน GPU คลาวด์ พอใส่แผนฟรีเข้าไปแม้เพียงเล็กน้อย ต้นทุนก็ดูหนักหนามาก
ยังไม่ต้องพูดถึง alphaevolve, เดโมทดสอบเอเจนต์ Copilot ของ Microsoft ที่รันเบราว์เซอร์ สำรวจฟีเจอร์ และเขียน Playwright tests รวมถึงความก้าวหน้าในด้านการเขียนโค้ด
ใน codebase TypeScript ก็ยังต้องคอยแก้ให้และ prompt ซ้ำเหมือนตอน 3.7 ถึงขั้นมีครั้งหนึ่งที่มันแก้ไฟล์ผิด แล้วมันยังไม่คิดจะตรวจสอบให้เฉพาะเจาะจงกว่านั้น จนต้องบังคับให้ลบโค้ดทั้งหมดเพื่อแสดงให้เห็นว่าสิ่งที่เรากำลังดูอยู่ไม่ได้เปลี่ยนไปเลย ซึ่งค่อนข้างช็อก
ข้อมูลสังเคราะห์ดูเหมือนจะเพิ่มอัตรา hallucination และ reasoning model ก็เปราะบางกว่า เพราะแต่ละขั้นตอนของ reasoning มีความเสี่ยงที่ hallucination จะพาโมเดลหลุดทาง
ในมุมการใช้งานทั่วไป ผมมองว่า LLM จบไปตั้งแต่ราวต้นปีนี้แล้ว OpenAI เองก็คงรู้เรื่องนี้ จากการยกเลิก GPT-5 แล้วต่อมาออก GPT-4.5 ที่ “แพงเกินเมื่อเทียบกับสิ่งที่ได้” ก่อนจะตัดสินใจยุติในไม่ช้า
ไม่รู้ว่าตลาดหุ้นสะท้อนเรื่องนี้แล้วหรือยัง ถ้าจะหลุดจากจุดนี้ต้องมี breakthrough
แต่ก็ยังไม่เพียงพอเลยที่จะสรุปว่ามาถึงช่วงชะงักงันแล้ว ความคืบหน้าเร็วมากมาตลอด ดังนั้นควรรออีกสักหลายเดือนก่อนตัดสินแบบนั้น
ส่วนเรื่องฟีเจอร์ ผมคิดกลับกันด้วยซ้ำ มันไม่ใช่การหลอกตา แต่เป็น การทำให้เป็นเครื่องมือ ที่สำคัญและจำเป็นต่อการใช้ AI จริง ๆ แม้จะไม่ใช่ตัว AI แกนหลักเองก็ตาม วงการ LLM สำหรับการใช้งานในวงกว้างยังอยู่ช่วงต้นมาก ต่อให้โมเดลไม่ดีขึ้นอีก ก็ยังมีพื้นที่อีกมากในด้านวิธีโต้ตอบ การป้อนข้อมูล และการเรียกใช้เครื่องมือ ที่จะยกระดับทั้ง usability และความสามารถได้อย่างมาก
ผมชอบ Claude 3.7 มาก ใช้ทุกวัน และโดยรวมชอบมากกว่าโมเดล Gemini แต่พอเอา Opus 4 ใน Claude Code ไปใช้กับงานฟีเจอร์ที่แทบจะเป็นของใหม่ใน codebase ภาษา Go กระบวนการคิดดี แต่ tool calls 70–80% ล้มเหลว
แม้แต่เครื่องมือพื้นฐานอย่าง “Write”, “Update” ก็ล้มเหลวเพราะ syntax ผิด พยายามเขียนไฟล์ 5 ครั้งและล้มเหลวทั้งหมด พร้อมพูดว่า “ผมลืมเพิ่มพารามิเตอร์ content อยู่เรื่อย ๆ เดี๋ยวจะแก้ให้” แล้วก็ลองต่อไปเรื่อย ๆ
มีบางอย่างผิดปกติ หวังว่าจะแก้ได้เร็ว ๆ นี้ แต่ตอนนี้อย่างน้อย Opus 4 ก็ใช้กับ Claude Code ไม่ได้ ถึงอย่างนั้นไฟล์ที่สร้างสำเร็จก็มีคุณภาพสูง
โดยพื้นฐานน่าจะชนขีดจำกัดจำนวน output token สูงสุด ทำให้ตอนเขียนไฟล์ใหม่ทั้งไฟล์ในครั้งเดียว response หยุดกลางคัน ข้อผิดพลาด “พารามิเตอร์ tool call ไม่ถูกต้อง” เป็น ตัวหลอก
ได้ทดสอบ Opus 4 และ Sonnet 4 กับ SQL generation benchmark ของเราแล้ว: https://llm-benchmark.tinybird.live/
Opus 4 ชนะโมเดลอื่นทั้งหมด ถือว่าดี
ถ้าโมเดลฉลาดขึ้นขนาดนั้นจริง performance ในครั้งแรกก็น่าจะดีด้วยไม่ใช่หรือ? อย่างไรก็มีการ “คิด” ล่วงหน้าอยู่แล้ว
แปลกที่ไม่มีโมเดลของ xAI อยู่ในรายการ ชื่อ Grok แย่มาก แต่ก็มักทำให้ประหลาดใจอยู่บ่อย ๆ ยังไม่ได้ลองโมเดล ChatGPT ราคา 250 ดอลลาร์ และไม่ชอบพฤติกรรมของ OpenAI ช่วงนี้
มีเอกสารที่อธิบาย การเปลี่ยนแปลงของ context window ใน Claude 4 ไหม? ผมไม่ค่อยแน่ใจนัก แต่เข้าใจว่าเหตุผลหนึ่งที่ Gemini 2.5 มีประโยชน์คือมันจัดการ context ขนาดมหาศาลระดับ 50,000~70,000 บรรทัดได้
ในทางปฏิบัติ context 1M ของ Gemini 2.5 ไม่ได้เป็นจุดต่างที่ใหญ่ขนาดนั้น เมื่อ context ใหญ่ขึ้น ผลตอบแทนที่รับรู้ได้ ของความสามารถในการตามโทเคนช่วงท้าย ๆ ให้ดีก็ลดลง
เครื่องมืออื่น ๆ อาจทิ้ง context ก่อนหน้าบางส่วนหรือใช้ RAG แต่ไม่ได้บังคับให้เริ่มแชตใหม่โดยไม่มีการเตือน
เหมือนกับ beta header ของ Sonnet 3.7
“Finally, we've introduced thinking summaries for Claude 4 models that use a smaller model to condense lengthy thought processes. This summarization is only needed about 5% of the time—most thought processes are short enough to display in full. Users requiring raw chains of thought for advanced prompt engineering can contact sales about our new Developer Mode to retain full access.”
ไม่อยากเห็น “สรุป” ของการให้เหตุผลของโมเดล ถ้าจะตรวจว่าการให้เหตุผลของโมเดลถูกต้องไหม และเชื่อถือผลลัพธ์ได้หรือไม่ ก็ต้องดูการให้เหตุผลจริง ๆ
น่าหงุดหงิดมากที่หลังจาก OpenAI แล้ว Anthropic ก็เดินไปในทิศทางที่ซ่อนกระบวนการคิดของโมเดล คิดเงินกับโทเคนที่ผู้ใช้มองไม่เห็น และให้ “สรุป” ที่ทำให้ไม่รู้ว่าแท้จริงเกิดอะไรขึ้น
ในหลายแง่ “ความคิด” ส่วนใหญ่ใกล้เคียงกับ การตลาด มากกว่า
เมื่อพิจารณาว่าผู้คนแทบไม่อ่านกระบวนการคิดจริง ๆ ผมมองว่านี่คือ การปรับปรุงประสบการณ์ผู้ใช้
หวังจริง ๆ ว่า Sonnet 4 จะไม่หมกมุ่นกับ การเรียกใช้เครื่องมือ เหมือน 3.7 รุ่น 3.5 เคยให้ประสบการณ์วิเศษครั้งแรกว่าดูเหมือนโมเดลกำลังจะเชี่ยวชาญการเขียนโปรแกรม หลังจากนั้นรู้สึกเหมือนเริ่มถอยลง
รู้สึกเหมือน การแข่งขัน CPU MHz ในยุค 90 กลับมาแล้ว เพียงแต่ตอนนี้แทนที่จะถกกันเรื่องสถาปัตยกรรม CPU กับผลลัพธ์จาก benchmark หลายตัวที่คุณค่าคลุมเครือ เรากำลังคุยเรื่องเนิร์ด ๆ แบบเดียวกันระหว่าง LLM
ประวัติศาสตร์มักคล้องจองกับตัวเอง
ถึงอย่างนั้น ผมค่อนข้างมั่นใจว่าไม่ได้มี CPU “drop” ใหม่ออกมาทุกไม่กี่เดือนเหมือนที่มีโมเดลใหม่ออกมาทุกไม่กี่เดือนในการแข่งขัน AI ตอนนี้