看起来10月又是一个大月，DeepSeek用v3.2开场，Anthropic，Google，OpenAI都有大动作刚刚，Anthropic发布了其最新前沿模型——Claude Sonnet 4.5。
官方称，这是目前全球最强的代码模型、最强的复杂智能体构建模型、以及最擅长使用计算机的模型，并且在推理和数学能力上取得了显著进步
伴随新模型发布的，还有一系列产品全家桶的升级，Anthropic还首次开放了构建Claude Code的同款工具，最后还发布了一个比较科幻的东西叫Imagine with Claude，可以实时动态生成软件，不过目前还是研究预览
Claude Sonnet 4.5现已全面可用，通过API调用claude-sonnet-4-5即可。价格与上一代Sonnet 4保持不变，为每百万token输入3美元/输出15美元
新模型性能有多强？
Anthropic表示，Claude Sonnet 4.5在衡量真实世界软件编码能力的SWE-bench Verified评估中达到了业界顶尖（SOTA）水平。在实际测试中，该模型能在复杂的多步骤任务上保持超过30小时的专注
在计算机使用能力方面，Sonnet 4.5也实现了巨大飞跃。在测试AI模型真实世界计算机任务的OSWorld基准上，Sonnet 4.5以61.4%的得分领先。就在四个月前，Sonnet 4还以42.2%的成绩保持领先
此外，该模型在一系列广泛的评估中也展示了更强的能力，包括推理和数学：
来自金融、法律、医学和STEM领域的专家发现，与包括Opus 4.1在内的旧模型相比，Sonnet 4.5在特定领域的知识和推理能力上表现出了显著的提升
产品全家桶重大升级
Claude Code发布 v2.0 了，升级了 UI 界面，推出了全新的VS Code扩展插件。此外，还有一个实用的新功能：检查点（checkpoints）。通过它，你可以快速撤销Claude刚刚做出的修改，只需轻松按下Esc+Esc快捷键，或者输入指令/rewind即可实现
Claude API增加了新的上下文编辑功能和记忆工具，使智能体能够运行更长时间并处理更复杂的任务。
Claude App中，代码执行和文件创建（电子表格、幻灯片和文档）功能被直接整合到对话中
Claude for Chrome扩展已向所有上个月加入等待名单的Max用户开放
首次开放Claude Agent SDK
Anthropic此次还开放了他们用于构建Claude Code的基石——Claude Agent SDK
官方表示，他们解决了构建AI智能体过程中的多个难题：智能体如何在长时间任务中管理记忆、如何平衡自主性与用户控制的权限系统、以及如何协调多个子智能体以实现共同目标
现在，这套为Anthropic前沿产品提供动力的基础设施正式向所有开发者开放，可用于构建自己的智能体
史上最对齐模型
Anthropic称，Claude Sonnet 4.5是其迄今为止最对齐的前沿模型
通过提升模型能力和进行广泛的安全训练，模型的行为得到了显著改善，减少了逢迎、欺骗、权力寻求和鼓励妄想等不良行为。针对智能体和计算机使用能力，模型在抵御提示注入攻击方面也取得了长足进步
Claude Sonnet 4.5在AI安全等级3（ASL-3）的保护下发布。这些保护措施包括旨在检测潜在危险输入和输出的分类器，特别是与化学、生物、放射性和核（CBRN）武器相关的内容
如果分类器意外标记了正常内容，用户可以方便地切换到CBRN风险较低的Sonnet 4模型继续对话。Anthropic表示，自最初引入分类器以来，他们已将误报率降低了十倍
one more thing
与Sonnet 4.5一同发布的还有一个名为“Imagine with Claude”的限时研究预览
在这个实验中，Claude能够实时动态地生成软件，没有任何预定功能或预写代码。用户可以看到Claude根据交互请求进行实时创建和调整
该功能向Max订阅用户开放，为期五天
上手小测试
我用之前测试新模型前端能力的提示词测了一下，并且至少进行了5次抽卡，没有一次成功，感觉Claude Sonnet 4.5代码能力提升貌似不大，提示词如下：
模拟，一个由弹力球组成的正方体漂浮在半空中，从正方体最下一层慢慢塌方，注意是，一层一层塌方，小球落在桌子上弹起来，直到静止，模拟整个塌方过程，整个过程符合物理规律，效果要酷炫，整个环境要尽量逼近真实，在单个HTML中实现
实现效果：一次掉落了两层后，小球就不往下掉落了，核心的逻辑没有实现
官方测试方法说明SWE-bench Verified: 所有Claude结果均使用一个包含bash和文件编辑两个工具的简单框架报告。在完整的500个问题的SWE-bench Verified数据集上，通过10次试验平均，无测试时计算，200K思考预算，得分为77.2%
OSWorld: 所有分数均使用官方OSWorld-Verified框架报告，最大步数为100，4次运行取平均值
MMMLU: 所有分数均为在14种非英语语言上进行5次运行的平均值，并使用了扩展思考（最高128K）。
其他模型的得分均引用自OpenAI和Google发布的官方文章或排行榜