Anthropic正在增加企业客户在单个提示中可以发送给Claude的信息量,这是吸引更多开发者使用该公司热门AI编程模型的举措之一。
对于Anthropic的API客户,该公司的Claude Sonnet 4 AI模型现在拥有100万Token的上下文窗口——这意味着该AI可以处理长达75万字的请求,超过整部《指环王》三部曲的篇幅,或7.5万行代码。这大约是Claude之前限制(20万Token)的五倍,也是OpenAI GPT-5提供的40万Token上下文窗口的两倍多。
长上下文功能也将通过Anthropic的云合作伙伴为Claude Sonnet 4提供支持,包括Amazon Bedrock和Google Cloud的Vertex AI。
Anthropic在AI模型开发商中建立了最大的企业业务之一,主要通过向Microsoft的GitHub Copilot、Windsurf和Anysphere的Cursor等AI编程平台销售Claude。虽然Claude已成为开发者的首选模型,但GPT-5可能会凭借其竞争性定价和强大的编程性能威胁到Anthropic的主导地位。Anysphere首席执行官Michael Truell甚至帮助OpenAI宣布了GPT-5的发布,GPT-5现在是Cursor新用户的默认AI模型。
Anthropic的Claude平台产品负责人Brad Abrams在接受TechCrunch采访时表示,他预计AI编程平台将从这次更新中获得"很多好处"。当被问及GPT-5是否对Claude的API使用量造成影响时,Abrams淡化了这种担忧,表示他对"API业务及其增长方式非常满意"。
虽然OpenAI的大部分收入来自ChatGPT的消费者订阅,但Anthropic的业务重心是通过API向企业销售AI模型。这使得AI编程平台成为Anthropic的关键客户,这也可能是该公司在面对GPT-5竞争时推出一些新优惠来吸引用户的原因。
上周,Anthropic发布了其最大AI模型的更新版本Claude Opus 4.1,进一步推进了该公司的AI编程能力。
一般来说,当AI模型拥有更多上下文时,它们在所有任务上的表现都会更好,特别是在软件工程问题上。例如,如果你要求AI模型为你的应用开发新功能,如果它能看到整个项目而不是只看到一小部分,很可能会做得更好。
Abrams还告诉TechCrunch,Claude的大上下文窗口有助于它在长时间的智能体编程任务中表现更好,在这些任务中,AI模型会自主处理问题数分钟或数小时。有了大上下文窗口,Claude可以在长期任务中记住所有之前的步骤。
但一些公司将大上下文窗口推向了极端,声称他们的AI模型可以处理海量提示。Google为Gemini 2.5 Pro提供200万Token的上下文窗口,Meta为Llama 4 Scout提供1000万Token的上下文窗口。
一些研究表明,大上下文窗口的有效性存在限制;AI模型在处理这些海量提示时表现并不出色。Abrams表示,Anthropic的研究团队不仅专注于增加Claude的上下文窗口,还专注于"有效上下文窗口",这表明其AI能够理解大部分给定的信息。但是,他拒绝透露Anthropic的具体技术方法。
当Claude Sonnet 4的提示超过20万Token时,Anthropic将向API用户收取更多费用,输入Token为每百万6美元,输出Token为每百万22.5美元(相比之前的输入Token每百万3美元和输出Token每百万15美元有所上涨)。
Q&A
Q1:Claude Sonnet 4的新上下文窗口能力有多强?
A:Claude Sonnet 4现在拥有100万Token的上下文窗口,可以处理长达75万字的请求,相当于整部《指环王》三部曲的篇幅,或7.5万行代码。这是之前20万Token限制的五倍,也超过了OpenAI GPT-5的40万Token上下文窗口。
Q2:为什么AI编程需要这么大的上下文窗口?
A:大上下文窗口让AI模型能够看到整个项目而不是只看到一小部分,这样在开发新功能时表现会更好。特别是在长时间的智能体编程任务中,Claude可以记住所有之前的步骤,自主处理问题数分钟或数小时。
Q3:使用Claude Sonnet 4的长上下文功能需要额外付费吗?
A:当提示超过20万Token时,Anthropic会收取更高费用,输入Token为每百万6美元,输出Token为每百万22.5美元,相比标准价格(输入每百万3美元,输出每百万15美元)有所上涨。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。