- A Sonnet 4.5 tartós ügynököket, jobb kódot és megbízható számítástechnikát biztosít, 64 ezer kimeneti tokennel és több mint 30 órás fókuszidővel.
- A Claude Code frissíti a rendszert (ellenőrzőpontok, terminál, VS Code), memóriát és kontextusszerkesztést ad az API-hoz, és elindítja az Agent SDK-t.
- Biztonsági szempontból fejlődik (ASL-3, kevesebb téves riasztás, védelem az azonnali injektálás ellen), és jól teljesít az SWE-bench és az OSWorld teszteken.
- Elérhető Claude.ai, API, Bedrock és Vertex AI platformokon, 3 és 15 dollár közötti áron, gyorsítótárazási és kötegelt feldolgozási kedvezményekkel.
A Claude Sonnet 4.5 érkezése felpörgette az ágensekre és szoftverfejlesztésre alkalmazott mesterséges intelligencia területét, az autonóm programozástól és számítógép-kezeléstől kezdve a gondolkodás és a matematika kézzelfogható fejlődéséig terjedő ígéretekkel. Az Anthropic a mai napig a legalkalmasabb modellként mutatja be, egyértelmű céllal: Claude-ot többé tenni, mint pusztán egy beszélgető asszisztenssé, egy „cselekedő ágens” birodalmába emelve.
Ezzel párhuzamosan a vállalat erősíti ökoszisztémáját a Claude Code fejlesztéseivel, új fejlesztői eszközökkel, valamint egy szigorúbb biztonsági és igazítási réteggel. Az üzenet ambiciózus: a legjobb modell az ügynökök, a kód és a számítástechnika használatához , amelyet olyan mérőszámok támogatnak, mint az SWE-bench Verified és az OSWorld, valamint egy sor olyan funkció, amelyet a hosszú távú és összetettebb feladatok megkönnyítésére terveztek.
Mi is az a Claude Sonnet 4.5 és mit ígér?
Az Anthropic a Sonnet 4.5-öt a legerősebb modelljeként írja le a kritikus területeken: komplex ágensek létrehozása, kódgenerálás és -karbantartás, valamint számítógépes vezérlés . Ez túlmutat a puszta címkézésen; a vállalat egyértelmű fejlesztéseket állít az érvelés és a matematika terén, két olyan pillérben, amelyek mindent megváltoztatnak, amikor a projektek több lépést és függőséget tartalmaznak.
Az egyik legszembetűnőbb tulajdonsága, hogy több mint 30 órán keresztül képes összetett feladatokat végrehajtani, közvetlen beavatkozás nélkül is fókuszban maradva. A gyakorlatban ez azt jelenti, hogy egy ügynök hosszú, összehangolt feladatokban is kitarthat anélkül, hogy elveszítené a fonalat. Továbbá a modell akár 64 000 token kimenetét is támogatja, ami nagyon hasznos a részletes tervezéshez és nagy kódblokkok generálásához.
A nyilvános benchmarkokban az Anthropic azt állítja, hogy a Sonnet 4.5 a legmodernebb az SWE-bench Verified teszten, amely a szoftverek valós problémák megoldására való képességét méri. Az OSWorld teszten is kiemelkedően teljesít 61,4%-os pontszámmal, ami jelentős javulást jelez a valós asztali környezetekben . Maga a cég ezt a 61,4%-ot a Sonnet 4 által néhány hónappal ezelőtt elért 42,2%-hoz hasonlítja, ami jelentős növekedést jelent.
A nyers teljesítményen túl a vállalat hangsúlyozza, hogy ez a leginkább összehangolt „határmodellje”: az olyan aggasztó viselkedési formák, mint a túlzott hízelgés, a hatalomvágy vagy a téveszmés érvelés támogatására való hajlam csökkentek , és a számítógép-használati forgatókönyvekben a gyors injekciós támadások elleni védelem és az ügynöki képességek is megerősödtek.
Ökoszisztéma-frissítések: Claude kód, alkalmazások és platform
A Sonnet 4.5 jelentős termékfrissítéssel érkezik. A Claude Code bevezeti az ellenőrzőpontokat , az egyik leggyakrabban kért funkciót: ezek mentik az előrehaladást, és lehetővé teszik a felhasználók számára, hogy azonnal visszatérjenek az előző állapotokhoz. Bárki számára, aki hosszú iterációkkal fejleszt, ez a változás csökkenti a súrlódást, és magabiztosságot ad ahhoz, hogy különböző utakat fedezzen fel anélkül, hogy attól kellene tartania, hogy mindent elront.
Ez kiegészíti az újratervezett terminálfelületet és a Visual Studio Code natív bővítményének megjelenését , amelynek célja a Claude közvetlen integrálása abba az IDE-be, ahol a programozók a napjaikat töltik. Ez jelentős előrelépés, ha a cél az, hogy a modell egy működőképesebb és kevésbé periférikus szerepet töltsön be.
Az API oldalán két fő összetevő található: a kontextusszerkesztés és egy új memóriaeszköz az információk tárolására és visszakeresésére . Ezek együttesen lehetővé teszik az ügynökök számára a hosszabb futást, kiszűrik az elavult kontextust, és elérhetővé teszik a valóban fontos információkat – ez elengedhetetlen, ha a munkafolyamatok órákig tartanak, és a követelmények menet közben változnak.
Claude alkalmazásaiban egy másik fontos újítás a kód futtatásának és fájlok (dokumentumok, táblázatok és prezentációk) létrehozásának lehetősége a beszélgetésen belül. Ez lehetővé teszi a modell számára, hogy adatokat elemezzen, tartalmat generáljon, és irodai formátumban előállítsa azt a csevegés elhagyása nélkül, így az elmélet és a gyakorlat egyazon szálon belül egyesül.
Végre Claude hivatalos Chrome-bővítménye elérhetővé vált a várólistára feliratkozott Max-felhasználók számára, megnyitva az utat a böngészési feladatok automatizálása előtt , kevesebb súrlódással és nagyobb megbízhatósággal.
Claude Agent SDK: Alapkövek saját ügynökök építéséhez
Az Anthropic nemcsak bemutatja, hogy mire képes zászlóshajó terméke, hanem építőelemeket is biztosít mások számára a testreszabásához. Az új Claude Agent SDK megosztja a Claude Code-ot működtető infrastruktúrát, és nehéz problémák megoldására tervezték: memóriakezelés a hosszan futó feladatokhoz, jogosultságrendszerek, amelyek egyensúlyt teremtenek az autonómiát a felhasználói vezérléssel, valamint koordináció a közös cél érdekében dolgozó alügynökök között.
A javaslat az, hogy ezt az SDK-t egy újrafelhasználható alappá alakítsák át, így bármely csapat felépítheti saját ügynökét éles környezetben bevált eszközök segítségével . Az Anthropic fenntartja, hogy bár eredetileg kódalapú alkalmazásokhoz fejlesztették ki, számos feladatban előnyöket mutat.
Kutatási előzetes: „Képzeld el Claude-dal”
A Sonnet 4.5 mellett az Anthropic egy ideiglenes élményt is kínál, melynek neve „Képzeld el Claude-dal”. Ebben a kísérletben a modell menet közben generál szoftvert előre meghatározott funkciók nélkül , valós időben reagálva a felhasználói interakcióra. Lényegében ez egy betekintés abba, hogy mit lehet elérni, ha egy alkalmas modellt a megfelelő infrastruktúrával kombinálunk.
Az előzetes öt napig érhető el a Max előfizetők számára a claude.ai/imagine címen. A vállalat játékos, mégis leleplező bemutatóként mutatja be a Sonnet 4.5 képességeit a generálás és az adaptáció tekintetében.
Biztonság, beállítás és ASL-3 szint
A Sonnet 4.5 telepítését az ASL-3 biztonsági szint támogatja, egy olyan keretrendszer, amely megfelelő biztosítékokkal igazítja a modell képességeit . Ezek az intézkedések magukban foglalják a potenciálisan veszélyes bemenetek és kimenetek észlelésére tervezett osztályozókat, különös tekintettel a CBRN (vegyi, biológiai, radiológiai és nukleáris) környezetekre.
Az Anthropic elismeri, hogy ezek az osztályozók időnként megjelölhetik a legitim tartalmat, és a felhasználó félbeszakításának elkerülése érdekében felajánlja, hogy folytatja a beszélgetést a Sonnet 4-gyel, amely alacsonyabb CBRN kockázatot jelent. Amióta először leírták ezeket a szűrőket, a téves riasztások számát tízszeresére, a Claude Opus 4 májusi indulása óta pedig kétszeresére csökkentették. Ígéretük szerint az osztályozók megkülönböztethetősége tovább fog javulni.
Az összehangolás túlmutat a szűrőkön: a betanítás és a biztonsági értékelések most először tartalmaznak a mechanisztikus értelmezhetőségen alapuló teszteket , azzal a céllal, hogy jobban megértsék és kontrollálják a modell belső viselkedését. Továbbá megerősítették a prompt injektálás elleni védelmet, ami különösen fontos, amikor a rendszer böngészik, virtuális asztalokon működik, vagy műveleteket hajt végre.
Elérhetőség, integráció és árképzés
A Claude Sonnet 4.5 ma már mindenhol elérhető. A fejlesztők a Claude API-n keresztül használhatják a "claude-sonnet-4-5" modell meghívásával . Az ár ugyanaz marad, mint az előző generációnál: 3 dollár millió tokenenként bejövő és 15 dollár millió tokenenként kimenő.
Az Anthropic költségelőnyöket kínál infrastruktúrájával: akár 90%-os megtakarítást a gyors gyorsítótárazásnak , és további 50%-ot a kötegelt feldolgozásnak köszönhetően – ezek az adatok nagy volumenű munkaterhelésekhez lettek tervezve. A végfelhasználók számára a chat a Sonnet 4.5-tel érhető el a Claude.ai-ban (web, iOS és Android), a vállalatok számára pedig natívan elérhető a Claude fejlesztői platformon, valamint az Amazon Bedrock és a Google Cloud Vertex AI platformokon.
Az üzleti oldalon van egy ingyenes csomag, amely ötóránként visszaállítja a munkamenet-korlátot , és igény szerint változó számú üzenetet küldhet. Az összetett programozási feladatokhoz pedig a Claude Code a vezető szolgáltató.
Kiemelt használati esetek
A Sonnet 4.5-öt az ágensek számára ideális modellként mutatják be: szinte azonnal képes reagálni, vagy látható, lépésről lépésre történő gondolkodást alkalmazni , amikor a feladat megkívánja. Az API-felhasználók pontosan szabályozzák, hogy mennyi ideig "gondolkodjon" a modell, a sebesség és a mélység között választva.
A szoftverfejlesztésben a teljes életciklusra kiterjed: a tervezésre, a generálásra, a karbantartásra, a hibajavításokra és a nagyméretű refaktorálásra . A nagy kimeneti konzisztencia (akár 64K token) megkönnyíti a konzisztens, kiterjedt tervek és kód előállítását.
Böngészős és asztali használat tekintetében kategóriájában vezető szerepet tölt be: valós munkafolyamatokat hajt végre a versenytársak elemzésétől és a beszerzéstől kezdve az ügyfelek online bevezetéséig. A cél az, hogy a pontosság és a megbízhatóság idővel folyamatosan javuljon.
A kiberbiztonság területén a Sonnet 4.5-öt a Claude Code-dal kombináló csapatok olyan ügynököket telepíthetnek, amelyek automatikusan javítják a sebezhetőségeket , mielőtt azokat kihasználnák, így a hangsúly a reaktív észlelésről a proaktív védekezésre helyeződik át.
A pénzügyekben a modell a bemeneti elemzéssel és az összetett előrejelzésekkel foglalkozik ; például figyelemmel kíséri a globális szabályozási változásokat, és proaktívan adaptálja a megfelelőségi rendszereket, a manuális audit-előkészítéstől az intelligens kockázatkezelésig fejlődve.
Az üzleti termelékenység terén kiemelkedően teljesít irodai fájlok (dokumentumok, táblázatok, prezentációk) létrehozásában és szerkesztésében . A kutatásban pedig képes nyomon követni a belső és külső forrásokat, hogy komplex információs környezetben szintetizálja a tudást.
Tartalmi szempontból kiemelkedően érti az árnyaltságot és a hangvételt, meggyőzőbb szövegeket hoz létre és mélyebb szemantikai szinten elemez , ami értékes pont a marketing, a műszaki dokumentáció vagy a vállalati kommunikáció számára.
Teljesítmény és mutatók
Az Anthropic által bemutatott adatok szerint a Sonnet 4.5 az SWE-bench Verified teszten 77,2%-on teljesít , ami a programozás terén eddigi legjobb teljesítménye. Az OSWorld teszten 61,4%-ot ért el, amivel megszilárdította pozícióját, mint a legjobb „számítógép-használati” modell. Ezeket a mutatókat a 30 órát meghaladó feladatok működési bizonyítékai és a 64 000 token kimeneti kapacitás támasztja alá.
A vállalat kijelenti, hogy a Sonnet 4.5 felhatalmazza az ügynököket az olyan igényes szektorokban, mint a pénzügyi elemzés, a kiberbiztonság és a kutatás , több ügynök koordinálásával és nagy mennyiségű adat feldolgozásával, az ezekben a területeken megkövetelt megbízhatósággal.
A szonettcsalád fejlődése és a 4.5 helye
Ahhoz, hogy megértsük ezt az ugrást, vissza kell tekintenünk az időben. A Sonnet 3.7 egy hibrid gondolkodási modellt vezetett be , amely jelentősen javította a kódolást, a tartalomgenerálást és az adatelemzést. Ezután a Sonnet 4 megszilárdította ezt a megközelítést, közel határeseti teljesítménnyel, amely praktikus volt a felhasználói asszisztensek és a nagy volumenű feladatok számára.
A Sonnet 4.5 erre az útra épít, és egy lépéssel tovább megy: célja, hogy a legpontosabb választás legyen a hosszú feladatokhoz, összetett ágensekhez és számítógépes használathoz , szélesebb körű szakértelemmel a programozás, a pénzügy és a kiberbiztonság területén.
Mit mondanak a valós esetek és a közösség?
Az Anthropic arról számolt be, hogy a Sonnet 4.5-öt 30 egymást követő órán keresztül működtették, hogy felépítsék a Slack replikáját . A cég szerint az ügynökprogram felügyelet nélkül 11 000 sornyi kódot generált, és a feladat befejezése után leállt. Májusban az Opus 4 modelljük körülbelül hét órán át működött, így az új rekord messze meghaladja ezt a számot.
A történet erőteljesnek hangzik, de a promóciós anyagokon kívül árnyalatok bontakoznak ki. Olyan fejlesztők, mint @midudev, elmesélik, hogyan refaktorált a modell teljes projekteket egyetlen utasításban – olyan mintákat alkalmazva, mint a tiszta architektúra, és több száz vagy ezer sort generálva –, de az eredmény fordításkor nem működött. Mások is ugyanezt írják: kifogástalan szerkezetű és professzionális megjelenésű kód, de futásidőben hibás.
Azt is kiemelték, hogy az Anthropic nem mutatta be az állítólagos Slack alkalmazást az elejétől a végéig működni, hanem azt állította, hogy ő maga építette fel – ez jelentős eltérés a kommunikáció és az ellenőrizhető kóddal való demonstráció között . Ez a minta nem egyedülálló: az iparágban a modellek úgy fejlődnek, hogy nagyon jól kinéző kódot generálnak, de jelentős emberi beavatkozás nélkül gyakran még mindig nem sikerül működőképes megoldásokat előállítaniuk.
A vállalaton belülről nézve a fejlesztések még a saját csapatukat is meglepték. Dianne Penn rámutat, hogy a modell háromszor ügyesebben használja a számítógépeket, mint az októberi verzió, és hogy az elmúlt hónapot a GitHub és a Cursor visszajelzéseinek feldolgozásával töltötték . A Canva, mint béta tesztelő, azt mondja, hogy segít a „komplex, hosszú kontextusú feladatokban”. Scott White „egy kabinetfőnök szintjéhez” hasonlítja: az ütemtervek koordinálásához, az adatok elemzéséhez és a jelentések írásához.
Az alapvető üzenet világos: még egy robusztus modell esetén is szükség van virtuális gépekre, memória- és kontextuskezelésre, többügynökös támogatásra és jogosultságrendszerekre a megbízhatóbb ügynökök éles környezetben történő telepítéséhez. Pontosan ezt a hiányosságot kívánja betölteni az Agent SDK és a platform új funkciói.
Verseny és piaci pozíció
A Sonnet 4.5 megjelenése egy feszült verseny részének tekinthető: az OpenAI a következő generációjával halad előre, míg a Google kitart a Gemini mellett , olyan lépéseket téve, amelyek mindenkit arra kényszerítenek, hogy felgyorsítsa erőfeszítéseit. Ebben az összefüggésben a hosszú távú ügynökök, a közvetlen számítógép-használat és az autonóm programozás kulcsfontosságú területek, ahol az üzleti érték nagy része forog kockán.
Aki meggyőzi a vállalatokat arról, hogy képesek a valós munkafolyamatokat kontrolláltan és megbízhatóan automatizálni, az licenceket és nagyszabású telepítéseket fog szerezni . Az Anthropic úgy véli, hogy egy hatékony modell és a megfelelő – a saját – infrastruktúrájuk kombinálása áthidalja a szakadékot a bemutatók és a fenntartható működés között.
Örökbefogadási ajánlások és bevált gyakorlatok
Ha komolyan kipróbálod a Sonnet 4.5-öt, ne feledd, hogy az autonómia nem árat követel. A modell által végrehajtható műveletek – fájlok olvasása és módosítása, adatok mozgatása, parancsok végrehajtása és navigáció – egyértelmű szabályokat és felügyeletet igényelnek. A jogosultsági rendszerek engedélyezése, a naplók ellenőrzése és az emberi beavatkozás küszöbértékeinek meghatározása kritikus fontosságú a kockázatok csökkentése érdekében.
A kódfolyamatokban a Claude Code ellenőrzőpontjai és API memóriája segítik a biztonságos iterációt. Ennek ellenére célszerű automatizálni a teszteket és az validációs folyamatokat , és a modellt ellenőrzött szakaszokban bevezetni (az alacsony hatású feladatoktól a kritikus komponensekig), mielőtt a nagyobb felelősségeket delegálnánk.
Hol olvashatok többet, és hogyan kezdhetek hozzá
Az Anthropic a Sonnet 4.5-ös verzióra való frissítést javasolja minden felhasználási módhoz: alkalmazásokhoz, API-khoz és a Claude Code-hoz is. A frissítést közvetlen csereként mutatják be, jobb teljesítménnyel, ugyanazon az áron . A Claude Code új funkciói minden felhasználó számára elérhetők; a fejlesztői platform frissítései – beleértve az Agent SDK-t is – a teljes fejlesztői közösség számára elérhetők; a kódfuttatás és a fájlok létrehozása az alkalmazásokban pedig minden fizetős csomagban benne van.
A technikai részletekért és az értékelési eredményekért a vállalat a rendszerkártyájára, modelloldalára és dokumentációjára , valamint mérnöki kiadványaira és egy kiberbiztonsági kutatási bejegyzésre hivatkozik . Bárki, aki valós idejű szoftvergenerálással szeretne kísérletezni, kipróbálhatja az "Imagine with Claude" programot néhány napig.
Az ezek a bejelentések által festett kép egy olyan modellt mutat, amely magasabbra teszi a lécet az ügynökök, a kód és a számítógép-használat tekintetében, miközben erősíti a skálázhatóságot, a biztonságot és a fejlesztői eszközöket. Az még várat magára, hogy a gyakorlat milyen mértékben felel meg az elméletnek, de vannak az érettség konkrét jelei és egy következetes terv a „jó beszéd” és a „jó cselekedet” közötti szakadék áthidalására.
