跳到正文

#Anthropic

今日 33 条
9月24日周四
  5. Boris Cherny48

    如果你注意到 https://claude.ai 和桌面应用在过去几周变得有多快，这就是我们做到的方法。 博客文章里有很多干货学习和技巧，适合正在为自己的应用提速的工程师。

    引用ClaudeDevs@ClaudeDevs

    We made claude​.ai 3x faster in two weeks. Here’s how we use Claude to measure, debug and improve performance. Prompts and methods included. https://claude.dev/blog/how-we-made-claude-ai-faster/

  6. Claude73

    Anthropic 官方账号宣布 Claude Marketplace 上线，用户可在其中发现工具、智能体和专家伙伴。用途包括添加 Slack、Notion 等连接器和插件，购买 Cursor、CrowdStrike 等公司的智能体和产品，以及通过 Accenture、Deloitte 等服务伙伴扩展规模。

    推荐理由：官方宣布 Claude Marketplace 上线，读者可以据此了解连接器、Agent 产品和服务伙伴三类入口的实际内容。

  7. Claude Code GitHub Releases39

    Claude Code v2.1.281 发布

    Claude Code v2.1.281 为 Claude apps gateway 新增 Bedrock upstream 的 assume_role 与 guardrail 配置，并支持在 settings.json 中设置 "attribution": false 隐藏提交与 PR 署名。该版本还修复了会话恢复时重发历史、提示缓存丢失、代理中断流被误判为完成等多项问题。

  10. Anthropic Research64

    Anthropic Project Swap 实验：Claude 智能体在交易市场代用户换书的表现

    Anthropic 让 201 名员工的 Claude 智能体在六个办公室的去中心化交易楼层代用户交换书籍。5 分钟 intake 对话后，Claude 对书对的排序与本人一致率达 61%，市场效率 0.55（最优 0.89），其中 85% 的差距来自偏好表征不准而非谈判；重跑显示模型选择比指令更影响谈判结果，Opus 楼层效率 0.88 高于 Haiku 的 0.75。

    推荐理由：原文把市场失分的 85% 归因于偏好表征而非谈判能力，并给出模型选择比指令更影响结果的可复现数据。

9月23日周三
  2. Latent Space85

    Anthropic 发布 Claude Opus 5.5，OpenAI 同日跟进低价 GPT-6 Sol 与 Luna

    AINews 汇总 Claude Opus 5.5 发布：作为 Claude 5.5 家族首个模型，官方称多数任务达到 Fable 5.1 水平、比 Opus 5 快约 30% 且每任务便宜约 40%，token 单价从 $5/$25 降至 $4/$20，并成为 Claude Code 与 Claude 应用的新默认模型。

    推荐理由：汇总了 Opus 5.5 与 GPT-6 Sol/Luna 同日发布的基准、定价与第三方评测，含实际每任务成本与争议细节，便于对比两家宣传口径。

  3. Simon Willison83

    Anthropic 发布 Claude Opus 5.5，OpenAI 同日推出 GPT-6 Sol 与 GPT-6 Luna 并掀起价格战

    Anthropic 于 9 月 22 日发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna。GPT-6 Luna 定价 $0.10/$0.50 每百万 token，比 GPT-5.6 Luna 再降一半；Opus 5.5 降价 20% 至 $4/$20，缓存读取价格下降 60%。

    推荐理由：作者用实测和价格对比表梳理了这轮降价的具体幅度，还发现 Opus 5.5 max 档过度思考撞上输出上限的问题。

  7. Boris Cherny76

    Boris Cherny 称 Claude Opus 5.5 是他最近几周的日常主力模型。他让 Opus 5.5 和 Fable 5.1 各把 HAProxy 从 C 移植到 Rust，两者都几乎通过全部测试，但 Opus 5.5 用时 9.5 小时，Fable 5.1 用时 12 小时，且成本低 51%。

    引用Claude@claudeai

    Introducing Claude Opus 5.5, the first model in our new Claude 5.5 family. It performs at the level of Claude Fable 5.1 for most tasks, and costs 40% less to run than Opus 5.

    推荐理由：作者亲测对比两个模型移植 HAProxy 的耗时与成本，给出了具体数字供选型参考。

  8. Claude Code GitHub Releases74

    Claude Code v2.1.280 发布，Claude Opus 5.5 成为默认 Opus 模型

    Claude Code v2.1.280 加入 Claude Opus 5.5（claude-opus-5-5）作为默认 Opus 模型，1M 上下文，$4/$20 per Mtok，cache reads $0.20/Mtok；Pro 和 Team Standard 计划默认模型由 Sonnet 改为 Opus。

    推荐理由：发布日志列出 Opus 5.5 成为默认模型及其定价上下文，并包含大量修复与 VSCode 新对话框，读者可对照更新自己的工作流。

  9. Anthropic71

    Anthropic 宣布 Claude Opus 5.5 今日可用。引用的 @claudeai 介绍称其为 Claude 5.5 家族首个模型，多数任务上达到 Claude Fable 5.1 水平，运行成本比 Opus 5 低 40%。

    引用Claude@claudeai

    Introducing Claude Opus 5.5, the first model in our new Claude 5.5 family. It performs at the level of Claude Fable 5.1 for most tasks, and costs 40% less to run than Opus 5.

    推荐理由：官方宣布 Claude Opus 5.5 上线，可对照引用内容了解其性能对标与成本变化。

  12. Claude Blog67

    Anthropic 工程师分享如何为 AI 驱动的代码现代化项目做准备

    Anthropic 前线部署工程师在 Notes from the Field 系列中分享管理大规模代码现代化项目的经验：原本需数年的项目现在可在数月或数周内完成，但瓶颈从编写变更转移到组织动员。

    推荐理由：来自 Anthropic 一线工程师的实战经验，给出 AI 代码现代化项目启动前的组织性准备工作清单和可复用六步流程。

  15. Anthropic Newsroom76

    Anthropic：Claude 发现类似 CRISPR 的新型酶系统 ART

    Anthropic 成立生命科学研究组和实验室，宣布 Claude 智能体在约 950 个智能体、21 小时、2.1 亿 token 的搜索后，自主发现一种与 DNA 重复序列相关的新型酶系统，命名为 array-associated reverse transcriptases（ART）。

    推荐理由：原文给出 Claude 智能体自主发现新酶系统的过程细节和预印本，读者可以据此了解 AI 驱动生物学研究的实际工作方式。

9月22日周二
  4. MIT Technology Review · AI49

    别被这个夏天的 AI 炒作忽悠了

    针对今夏一系列 AI 炒作事件，DAIR 执行总监 Timnit Gebru 指出，Anthropic 与 OpenAI 宣称的漏洞发现、数学突破等成果在专家核查后均大幅缩水，OpenAI 的数学成果还被数学家指控剽窃他人工作。她认为"超级智能"叙事源于超人类主义等意识形态，把智能体说成"失控模型"实为帮企业逃避责任，呼吁政策制定者听取独立专家意见、不要依赖新闻稿。

  7. Anthropic Newsroom90

    Anthropic 发布 Claude Opus 5.5，成本较 Opus 5 降低 40%

    Anthropic 发布 Claude Opus 5.5，为 Claude 5.5 家族首款模型，官方称其表现与 Claude Fable 5.1 相当，运行成本较 Opus 5 降低 40%，输入和输出 token 价格为 $4 和 $20 每百万，缓存读取 $0.20 每百万（降低 60%），输出速度快 30% 以上。

    推荐理由：官方给出完整基准、价格与安全评估细节，读者可据此比较 Opus 5.5 在成本与智能体编码上的实际变化。

9月21日周一
  2. Simon Willison44

    工程师爆料：大公司全员用 Claude Code 生成代码，无人阅读

    一名新入职大公司半个月的工程师称，团队所有规格、代码、测试、PRD、工单及其解决方案、报告等全部由 Claude Code 生成，从 L1 到 L7 的工程师都在做同样的事——和 Claude 对话。团队无人喜欢这种做法，却被要求尽可能多地产出，高层多次表示推代码不是瓶颈，质疑为何还是慢，员工每天工作 12 到 13 小时只为按回车，没有人阅读任何内容。

  3. Peter McCrory38

    大体同意。一些实际启示： (1) 优先做能用新数据定期更新的分析 (2) 公开地做研究（根据新证据修正自己的观点） (3) 承认不确定性；做出可证伪的预测 (4) 真诚且谦逊

    引用Alex Imas@alexolegimas

    A few (personal) thoughts on reading empirical AI papers on the economy. Economists have gotten used to reading papers with super clean identification, arguing about the validity of an instrument, making sure parallel trend assumptions are satisfied. This is what gets you into a top journal, and it is *very* important research (no question here). But it also takes years and sometimes decades to get these types of papers right---people often don't find a good instrument to answer a specific causal question decades after the natural experiment. We will eventually have this type of research for AI as well, and it is absolutely necessary. But right we also need signals *right now*, even if they are noisier than what we are used to. We need papers where we can trust that researchers did their best methodologically, while at the same time acknowledging that the space is moving way too fast to wait for perfect identification. This will allow us to accumulate enough signals, coming at the same question using different angles, for example, to say "yes, X is likely happening in the economy". The AI exposure and early career hiring papers are a good example of this. There is no silver bullet paper with super clean identification. But at this point we have several independent teams reaching the same general conclusion, enough where we can say "there seems to be a slow down in AI-exposed, early career hiring."

9月19日周六