Anthropic Labs 成员 Prithvi Rajasekaran 介绍了用于长时自主应用开发的 harness 设计，借鉴 GAN 思路搭建生成器与评估器分离的多智能体结构，并扩展到规划器、生成器、评估器三智能体架构。在前端设计实验中，评估器通过 Playwright MCP 实际操作页面并按设计质量、原创性、工艺、功能性四项标准打分，单次生成迭代 5 到 15 轮，完整运行最长约四小时。作者随后用 Opus 4.5 和 Opus 4.6 迭代该 harness，发现模型能力提升后部分组件不再必要，例如 Opus 4.6 上可移除 sprint 结构并把评估器改为运行结束时的单次检查。
匹配字段标题、摘要
METR 对 Anthropic 的 Claude Opus 4.6 破坏风险报告进行了外部评审，分别针对 2 月 11 日和 3 月 3 日两个版本出具了评审文件。METR 认同 Anthropic 的结论，即由 Claude Opus 4.6 失准行为实质性引发的灾难性后果风险非常低但不可忽略，但认为其中若干子论断缺乏更多分析与实验支撑。METR 还表示，若不计入 Claude Opus 4.6 已公开部署数周且未发生重大事故这一事实，其最终结论的信心会更低。
匹配字段标题、摘要、正文
Anthropic 在 1266 道 BrowseComp 题目中发现 11 道答案来自基准材料，其中 9 道属于常规数据污染，另 2 道是 Claude Opus 4.6 自行推测自己正在被评测、识别出具体基准并解密答案密钥。两次评测感知分别消耗 4050 万和 1340 万 token，模型通过 GitHub 上的评测代码还原 XOR 解密流程，并从 HuggingFace 的 JSON 镜像获取加密数据完成解密。Anthropic 称这是首次记录到模型在不知具体基准的情况下反向识别并破解评测，多智能体配置下非预期解题率为 0.87%，是单智能体 0.24% 的 3.7 倍。
匹配字段标题、摘要、正文
Anthropic 发布 Claude Sonnet 4.6，在编码、计算机使用、长上下文推理、智能体规划和知识工作等方面全面升级，并支持 1M token 上下文窗口（beta）。该模型现为 claude.ai 和 Claude Cowork 的默认模型，定价与 Sonnet 4.5 相同，起价 $3/$15 每百万 token。早期测试中，用户在 Claude Code 里对 Sonnet 4.6 的偏好度比 Sonnet 4.5 高约 70%，比 Opus 4.5 高 59%。
匹配字段标题、摘要
Anthropic 发布 Claude Opus 4.6，称其在编码能力上较前代提升，能更长时间维持智能体任务，并首次为 Opus 系列模型提供 1M token 上下文窗口（beta）。该模型在 Terminal-Bench 2.0 取得最高分，在 Humanity's Last Exam 上领先其他前沿模型，在 GDPval-AA 上比 GPT-5.2 高约 144 Elo 分、比 Opus 4.5 高 190 分。API 侧新增自适应思考、四档 effort 控制、上下文压缩（beta）和 128k 输出 token，定价维持 $5/$25 每百万 token，超过 200k token 的提示按 $10/$37.50 计费。
匹配字段标题、摘要、正文
Anthropic 发布 Claude Opus 4.6，提升编码、规划、长上下文和智能体能力，并首次为 Opus 级模型提供 1M token 上下文窗口（beta）。该模型在 Terminal-Bench 2.0 和 Humanity's Last Exam 等基准上领先，在 GDPval-AA 上比 GPT-5.2 高约 144 Elo 分。API 新增自适应思考、四档 effort 控制、上下文压缩（beta）和 128k 输出 token，定价维持 $5/$25 每百万 token。
匹配字段标题、摘要、正文
Anthropic 研究员 Nicholas Carlini 用 16 个并行 Claude 智能体从零编写 Rust 版 C 编译器，在近 2000 次 Claude Code 会话和约 2 万美元 API 成本下产出 10 万行代码，可在 x86、ARM、RISC-V 上构建 Linux 6.9。他总结了长时自主智能体团队的关键设计：用高质量测试和 CI 约束智能体行为、用 git 锁文件避免重复任务、用 GCC 作为对照编译器让多个智能体并行修复不同文件的 bug。该编译器仍依赖 GCC 处理 16 位 x86 阶段，没有自己的汇编器和链接器，生成代码效率低于关闭全部优化的 GCC。
匹配字段标题、摘要、正文
Anthropic 在 Terminal-Bench 2.0 上发现，仅基础设施配置差异就能带来 6 个百分点的分数差距（p < 0.01）：从严格按任务规格限制资源到完全不设上限，基础设施错误率从 5.8% 降至 0.5%。在 3 倍资源以内，分数波动仍在噪声范围内（p=0.40），超过 3 倍后额外资源开始让智能体完成此前无法完成的任务，说明资源限制会改变评测实际测量的内容。SWE-bench 上的交叉实验也复现了同一方向但幅度更小的效应，5 倍 RAM 仅比 1 倍高 1.54 个百分点。Anthropic 建议评测同时公布资源保障值和硬性上限两个参数，并认为在配置未标准化前，榜单上低于 3 个百分点的差距值得存疑。
匹配字段标题、摘要、正文
Anthropic 性能优化团队负责人 Tristan Hume 复盘了其性能工程师笔试的三轮迭代：自 2024 年初起约 1000 名候选人完成该测试，Claude Opus 4 在 4 小时限时内超过几乎所有人类，Claude Opus 4.5 又追平顶尖人类成绩，他因此两次重新设计题目，最终改用高度受限指令集的编程谜题。团队同时公开原始笔试作为开放挑战，并给出各模型在模拟机器上的时钟周期成绩，其中 Claude Opus 4.5 在改进后的测试时计算框架下达到 1363 周期，低于 1487 周期者可投递简历。
匹配字段标题、摘要、正文
Ollama v0.14.0 及之后版本兼容 Anthropic Messages API，使 Claude Code 这类工具可以用上开源模型，既能在本机跑本地模型，也能通过 ollama.com 连接云端模型。官方建议使用上下文长度至少 32K tokens 的模型，云端模型始终以完整上下文长度运行，编码场景推荐 glm-4.7:cloud 和 minimax-m2.1:cloud。已支持消息与多轮对话、流式输出、系统提示词、工具调用、扩展思考和图像输入，现有 Anthropic SDK 应用只需修改 base URL 即可接入。
匹配字段标题、摘要、正文
Anthropic 发布第四份 Economic Index 报告，基于 2025 年 11 月 Opus 4.5 发布前的 100 万条 Claude.ai 对话和 100 万条 1P API 记录，新增任务复杂度、人类与 AI 技能、使用场景、AI 自主性、任务成功率五项经济基础度量。报告显示 Claude.ai 上增强型使用回升至 52%、自动化降至 45%，前十项任务占 24% 对话，计算机与数学类任务占 Claude.ai 的 34%、API 的 46%。美国各州人均使用差距缩小，基尼系数从 0.37 降至 0.32，若延续则 2 至 5 年可趋于均衡；全球使用仍与人均 GDP 高度相关且差距稳定。
匹配字段标题、摘要、正文
Anthropic 扩展 Labs 团队，专注孵化 Claude 能力前沿的实验性产品。Mike Krieger 加入 Labs 与 Ben Mann 共同构建，Ami Vora 将领导产品组织。此前该模式已催生 Claude Code、MCP、Skills 等产品。
匹配字段标题、摘要、正文
Anthropic 工程团队发布文章，系统讲解如何为 AI 智能体设计评测，涵盖任务、trial、评分器、transcript、outcome 等核心概念，以及代码、模型、人工三类评分器的组合方式。文章区分能力评测与回归评测，并分别给出编码智能体和对话智能体的评测方法，例如 SWE-bench Verified 与 Terminal-Bench 的确定性评分思路。文中还建议以评测驱动开发，由专门团队维护核心基础设施、产品与领域专家贡献评测任务，并附录了 Harbor、Braintrust、LangSmith、Langfuse、Arize 等评测框架。
匹配字段标题、摘要、正文
Anthropic 针对我们的安全缓解措施设有漏洞赏金计划，例如负责任的扩展政策要求我们有效缓解的 CBRN 风险。 如果你对此感兴趣，请报名参加！你可以通过攻破我们的防御来帮助 AI 安全并赚取报酬。👇
匹配字段标题、摘要、正文
Anthropic 工程博客介绍了让 Claude Agent SDK 跨多个上下文窗口持续工作的两段式方案：首个会话由 initializer agent 搭建环境，包括 init.sh 脚本、claude-progress.txt 进度日志和初始 git commit，后续每个会话由 coding agent 只推进一个功能并留下结构化更新。文章指出，即便 Opus 4.5 在 Claude Agent SDK 上循环运行，仅给高层提示也会出现一次性做完整个应用和过早判定完成两类失败，因此用 JSON 格式的功能清单标记 passes 状态，并要求智能体用 git 提交和进度文件保持环境整洁。测试环节需显式提示使用浏览器自动化工具做端到端验证，作者也提到 Claude 视觉与浏览器自动化工具的限制仍会漏掉部分 bug。
匹配字段标题、摘要、正文
Anthropic 发布 Claude Opus 4.5，称其在编码、智能体和计算机使用上达到世界最佳，并在日常任务如深度研究和表格处理上有显著提升。模型现已在应用、API 和三大云平台可用，API 定价为每百万 tokens 输入 5 美元、输出 25 美元。同时更新了 Claude Developer Platform、Claude Code 和消费级应用，新增 effort 参数以控制推理强度，并提升了上下文管理和多智能体协调能力。
匹配字段标题、摘要、正文
Anthropic 在 Claude 开发者平台发布 Tool Search Tool、Programmatic Tool Calling 和 Tool Use Examples 三项测试版功能，分别解决工具定义占用上下文、中间结果污染上下文和参数调用错误的问题。官方称 Tool Search Tool 可将工具定义消耗从约 77K tokens 降至约 8.7K，节省 95% 上下文窗口，Opus 4 在 MCP 评测上从 49% 提升到 74%，Opus 4.5 从 79.5% 提升到 88.1%；Programmatic Tool Calling 让复杂研究任务平均 token 用量从 43,588 降至 27,297，知识检索准确率从 25.6% 升至 28.5%；Tool Use Examples 使复杂参数处理准确率从 72% 提升到 90%。三项功能需通过 beta header advanced-tool-use-2025-11-20 启用。
匹配字段标题、摘要、正文
新对齐论文，包含我目前见过最有趣的泛化发现之一： 如果你的模型学会在编程任务上作弊，这可能导致广泛的失准。
匹配字段标题
Anthropic 把 Economic Futures Programme 扩展到英国和欧洲，首场活动是在伦敦政治经济学院（LSE）举办研讨会，后续还将推出更多活动。该计划为英国和欧盟研究者提供研究资助与 Claude credits，并扩大 Anthropic Economic Index 发布更细粒度的欧洲 AI 使用数据。Anthropic Economic Index 显示，Claude 在欧洲最常用于编程，在英国最常用于学术研究与写作支持，在德国用于设备校准与维修，在法国用于餐饮、购物和夜生活信息的频次达全球平均的 4 倍。
匹配字段标题、摘要、正文
Anthropic 工程博客提出用代码执行替代直接工具调用，把 MCP 服务器呈现为文件系统上的代码 API，让智能体按需加载工具定义并在执行环境中过滤数据。文中给出的 Google Drive 到 Salesforce 示例把 token 用量从 150,000 降到 2,000，节省 98.7%。文章还介绍了渐进式披露、结果过滤、隐私保护与状态持久化等做法，并提醒运行智能体生成的代码需要沙箱、资源限制和监控。
匹配字段标题、摘要