我真不敢相信 Anthropic 能走到这一步

我真不敢相信 Anthropic 能走到这一步 我真不敢相信 Anthropic 能走到这一步 Modified January 4 🔗 原文链接： https://mp.weixin.qq.com/s/ysRx5rJJ... 原创 阿颖 AI产品阿颖2026年1月4日 18:22 北京 刚刚刷到一个 X 帖子，很触动。 我真不敢相信 Anthropic 能走到今天这一步。 没有图像模型，没有音频模型，没有动辄超长的上下文窗口，什么都没有， 只有一件事：把模型在写代码这件事上做到非常好 。 Claude 的官网功能也谈不上丰富，请求限额还挺严，但即便如此，它依然是 ChatGPT、Gemini 的强劲对手。 我尊重 Anthropic 的专注，他们目前只做纯粹的文本模型。 这就是为什么 Claude（尤其是 Opus 和 Sonnet）在编码、写邮件、内容写作等方面感觉特别棒。他们悄悄地赢得了文本游戏。 刚好今天上午一直在看 CNBC 采访Anthropic总裁 Daniela Amodei 的视频。 这里面聊到了 Anthropic 过去几年，在资源明显比 OpenAI、Google 更少的情况下，是怎么做出第一梯队模型的。 1 训练前沿模型这件事，本身就极度依赖资本和算力，这不是理念问题，而是物理约束。 在这个前提下，Anthropic 对自己的位置其实非常清楚。 无论是资金规模，还是长期算力储备，他们都不可能和 OpenAI、Google 站在同一个量级上。 Anthropic 的核心团队很清楚，他们既没有 Sam Altman 那种调动资本的能力，也不具备谷歌那样的基础设施家底。 这一点是从创立之初就摆在桌面上的现实。Dario 和 Altman 完全是两种不同风格的 CEO。 他们判断，在可预见的时间里，这种资源差距并不会突然消失。他们也从没幻想过，等某天拿到一个巨额融资，就能抹平的那种差距。 如果他们相信资源很快会改善，那最合理的做法就是尽量别掉队，能力先铺开，形态先补齐。 但如果不相信这一点，那所有决策就必须建立在一个更冷静的前提上：在长期资源受限的情况下，每一次投入，都是一次取舍。 算力有限，研究精力有限，那就不可能同时在所有方向上推进。你今天在一个方向上多投一点，明天就一定会在另一个方向上少做一些。 所以他们内部的思考方式，并不是现在还缺什么能力。 而是变成了： 在这些注定有限的资源里，哪些场景值得被长期投入，哪些场景即便看起来合理，也必须先放下。 顺着这个问题往下推演，选择其实并不多。 如果一个任务本身难度不高、容错率也高，那模型在这里做得再好，对整体能力的拉动也有限。 但如果一个任务对推理一致性要求极高，对错误极不宽容，而且结果可以被清楚验证，那它就会变成一个非常苛刻的训练场。 与其把模型分散到多个相对宽松的场景里，不如选一个最难的地方，把模型长期压在那里反复训练。 只要在这个场景里站得住，很多要求没那么高的能力，反而会被顺带提升。 也正是在这个逻辑下，Coding 场景几乎成了一个必然选择。 写代码这件事，对模型来说，意味着长链路推理、强约束、低容错率。它不会给模型太多含糊其辞的空间，一旦逻辑断裂，结果立刻就会暴露。 这种苛刻，恰好符合 Anthropic 在长期资源约束下，对训练效率的要求。更重要的是，Coding 的结果很容易做验证。 所以回头看，Anthropic 并不是先决定要做一个最会写代码的模型，然后围绕这个目标倒推资源配置。 而是先接受了资源差距这个现实，再一步一步，被逼到了这样一个选择上。 2 当 Anthropic 把模型长期压在 Coding 这种高要求场景里时，其实立刻就会遇到一个更现实的问题。 如果模型不稳定，会发生什么。 在很多宽松场景里，模型偶尔出错，更多只是质量问题。但在写代码这件事上，错误会被立刻放大。 一次逻辑断裂，意味着代码不能跑，意味着工程师要回头排查，意味着前面的时间被直接浪费掉。 这时候，训练本身的成本结构就变得格外重要。 随着模型规模变大，一轮完整训练早就不只是算力消耗，还包括时间、人力，以及后续围绕模型展开的一整套验证和迭代。 如果模型的行为不可预测，这些投入就会变得非常脆弱。 在这种前提下，很多常见的做法就会显得不那么划算。 比如，把约束放到使用阶段。模型先做出来，等出问题了，再靠规则、审核、流程去兜底。 这种方式在早期模型上还能勉强运转，但当训练成本已经很高时，补救本身就会变成新的消耗。 他们的判断是，在模型规模越来越大、训练越来越贵的情况下，在使用中补救的方式边际成本会越来越高。 对资源本来就不宽裕的团队来说，这种消耗是承受不起的。 于是另一种思路就变得越来越现实。在训练阶段，就尽量把模型的行为收敛住，让它在生成时少走歪路。 这背后其实是一个很简单的工程判断。 当你没有无限算力可以反复重跑时，就必须尽量提高每一次训练的有效性。 减少不可控行为，本质上是在减少返工，减少重训，减少那些看不见、但真实存在的资源损耗。 也正因为这一点，Anthropic 会比很多公司更早意识到，可靠性会直接影响效率。 模型越稳定，后面的工作越顺；模型越不可预测，算力和人力被浪费得就越快。 在 Coding 这种低容错场景里，这个关系被看得格外清楚。 如果大家注意的话，会发现 Anthropic 的 CEO 经常会谈 AI 安全的问题。 其实这不是因为他们想做道德标杆，而是因为如果模型行为不可控，训练成本会被反复浪费。 3 当 Anthropic 把可靠性前置到训练阶段时，这个选择并不会只停留在模型内部。 一旦模型开始被真正用起来，这种在训练中形成的稳定性，会被完整地带进使用阶段。而当模型进入真实工作流后，评价标准也会随之发生变化。 在 Demo 阶段，大家更容易被极限能力吸引。模型能不能在一两次交互里给出让人惊艳的结果，能不能展示出看起来很强的理解力和创造力。 但当模型开始参与真实工作，情况就完全不同了。 它需要每天反复运行，嵌进流程，承担责任。这时候，人们关心的就不再是它偶尔能有多聪明，而是它能不能稳定工作，能不能在关键步骤不添乱。 失败的代价，会在这一刻被放大。 在企业和工程场景里，一次不稳定的输出，很少只是体验问题。 它可能意味着一段流程被迫中断，意味着人工介入，意味着整条链路要回头检查。越是重要的流程，容错空间就越小。 也正因为这样，企业真正看重的，从来不是模型的极限表现，而是它的行为是不是可预测的。 当 Anthropic 被资源差距逼着，把模型压在 Coding 这种低容错场景里时，他们不得不把可靠性前置到训练阶段。 而当模型被训练成更可预测的状态后，这种特性在真实使用中，反而成了最先被感知到的价值。 你再回头看 Claude 系列模型的状态，会发现很多地方其实都是为这种使用场景服务的。 它更在意的是，在复杂任务里少犯错，在长时间使用中不出意外。这种取向，在消费级体验里未必显眼，但在真实的企业生产环境里，非常重要。 这也解释了为什么 Anthropic 会自然地走向 Enterprise 场景。 4 如果把 Anthropic 的这条路线放到整个行业里看，会发现它并不孤立。 当模型能力还主要停留在展示阶段时，评价标准其实很简单。 谁能给出更惊艳的结果，谁能在单次交互里表现出更强的理解力和创造力，谁就更容易被认为是更好的模型。 但当模型开始被放进真实系统，这套标准就会慢慢失效。 在真实工作流里，模型不是用来“试一试”的，而是要反复运行、长期参与决策和执行。 一次输出不只是一个回答，而是流程中的一个节点。只要这个节点不稳定，后面的所有环节都会受到影响。 也正是在这种环境下，能力强和能不能用，开始变成两件不同的事。 模型在极限条件下能不能多做一点事情，重要性反而下降了。 取而代之的是，它在大多数时间里能不能保持一致的行为，失败时能不能被快速识别，错误会不会扩散到系统其他部分。 当失败代价被放大时，激进不再是单纯的优势，稳定开始变得昂贵。 这并不是说模型不需要继续变强，而是当模型已经足够强、足以参与真实生产时，评价标准自然会发生迁移。更强不再自动等于更好用。 https://mp.weixin.qq.com/s/ysRx5rJJ... 🔗 原文链接： https://mp.weixin.qq.com/s/ysRx5rJJ... https://mp.weixin.qq.com/s/ysRx5rJJ... 原创 阿颖 AI产品阿颖2026年1月4日 18:22 北京 刚刚刷到一个 X 帖子，很触动。 我真不敢相信 Anthropic 能走到今天这一步。 没有图像模型，没有音频模型，没有动辄超长的上下文窗口，什么都没有， 只有一件事：把模型在写代码这件事上做到非常好 。 Claude 的官网功能也谈不上丰富，请求限额还挺严，但即便如此，它依然是 ChatGPT、Gemini 的强劲对手。 我尊重 Anthropic 的专注，他们目前只做纯粹的文本模型。 这就是为什么 Claude（尤其是 Opus 和 Sonnet）在编码、写邮件、内容写作等方面感觉特别棒。他们悄悄地赢得了文本游戏。 刚好今天上午一直在看 CNBC 采访Anthropic总裁 Daniela Amodei 的视频。 这里面聊到了 Anthropic 过去几年，在资源明显比 OpenAI、Google 更少的情况下，是怎么做出第一梯队模型的。 1 训练前沿模型这件事，本身就极度依赖资本和算力，这不是理念问题，而是物理约束。 在这个前提下，Anthropic 对自己的位置其实非常清楚。 无论是资金规模，还是长期算力储备，他们都不可能和 OpenAI、Google 站在同一个量级上。 Anthropic 的核心团队很清楚，他们既没有 Sam Altman 那种调动资本的能力，也不具备谷歌那样的基础设施家底。 这一点是从创立之初就摆在桌面上的现实。Dario 和 Altman 完全是两种不同风格的 CEO。 他们判断，在可预见的时间里，这种资源差距并不会突然消失。他们也从没幻想过，等某天拿到一个巨额融资，就能抹平的那种差距。 如果他们相信资源很快会改善，那最合理的做法就是尽量别掉队，能力先铺开，形态先补齐。 但如果不相信这一点，那所有决策就必须建立在一个更冷静的前提上：在长期资源受限的情况下，每一次投入，都是一次取舍。 算力有限，研究精力有限，那就不可能同时在所有方向上推进。你今天在一个方向上多投一点，明天就一定会在另一个方向上少做一些。 所以他们内部的思考方式，并不是现在还缺什么能力。 而是变成了： 在这些注定有限的资源里，哪些场景值得被长期投入，哪些场景即便看起来合理，也必须先放下。 顺着这个问题往下推演，选择其实并不多。 如果一个任务本身难度不高、容错率也高，那模型在这里做得再好，对整体能力的拉动也有限。 但如果一个任务对推理一致性要求极高，对错误极不宽容，而且结果可以被清楚验证，那它就会变成一个非常苛刻的训练场。 与其把模型分散到多个相对宽松的场景里，不如选一个最难的地方，把模型长期压在那里反复训练。 只要在这个场景里站得住，很多要求没那么高的能力，反而会被顺带提升。 也正是在这个逻辑下，Coding 场景几乎成了一个必然选择。 写代码这件事，对模型来说，意味着长链路推理、强约束、低容错率。它不会给模型太多含糊其辞的空间，一旦逻辑断裂，结果立刻就会暴露。 这种苛刻，恰好符合 Anthropic 在长期资源约束下，对训练效率的要求。更重要的是，Coding 的结果很容易做验证。 所以回头看，Anthropic 并不是先决定要做一个最会写代码的模型，然后围绕这个目标倒推资源配置。 而是先接受了资源差距这个现实，再一步一步，被逼到了这样一个选择上。 2 当 Anthropic 把模型长期压在 Coding 这种高要求场景里时，其实立刻就会遇到一个更现实的问题。 如果模型不稳定，会发生什么。 在很多宽松场景里，模型偶尔出错，更多只是质量问题。但在写代码这件事上，错误会被立刻放大。 一次逻辑断裂，意味着代码不能跑，意味着工程师要回头排查，意味着前面的时间被直接浪费掉。 这时候，训练本身的成本结构就变得格外重要。 随着模型规模变大，一轮完整训练早就不只是算力消耗，还包括时间、人力，以及后续围绕模型展开的一整套验证和迭代。 如果模型的行为不可预测，这些投入就会变得非常脆弱。 在这种前提下，很多常见的做法就会显得不那么划算。 比如，把约束放到使用阶段。模型先做出来，等出问题了，再靠规则、审核、流程去兜底。 这种方式在早期模型上还能勉强运转，但当训练成本已经很高时，补救本身就会变成新的消耗。 他们的判断是，在模型规模越来越大、训练越来越贵的情况下，在使用中补救的方式边际成本会越来越高。 对资源本来就不宽裕的团队来说，这种消耗是承受不起的。 于是另一种思路就变得越来越现实。在训练阶段，就尽量把模型的行为收敛住，让它在生成时少走歪路。 这背后其实是一个很简单的工程判断。 当你没有无限算力可以反复重跑时，就必须尽量提高每一次训练的有效性。 减少不可控行为，本质上是在减少返工，减少重训，减少那些看不见、但真实存在的资源损耗。 也正因为这一点，Anthropic 会比很多公司更早意识到，可靠性会直接影响效率。 模型越稳定，后面的工作越顺；模型越不可预测，算力和人力被浪费得就越快。 在 Coding 这种低容错场景里，这个关系被看得格外清楚。 如果大家注意的话，会发现 Anthropic 的 CEO 经常会谈 AI 安全的问题。 其实这不是因为他们想做道德标杆，而是因为如果模型行为不可控，训练成本会被反复浪费。 3 当 Anthropic 把可靠性前置到训练阶段时，这个选择并不会只停留在模型内部。 一旦模型开始被真正用起来，这种在训练中形成的稳定性，会被完整地带进使用阶段。而当模型进入真实工作流后，评价标准也会随之发生变化。 在 Demo 阶段，大家更容易被极限能力吸引。模型能不能在一两次交互里给出让人惊艳的结果，能不能展示出看起来很强的理解力和创造力。 但当模型开始参与真实工作，情况就完全不同了。 它需要每天反复运行，嵌进流程，承担责任。这时候，人们关心的就不再是它偶尔能有多聪明，而是它能不能稳定工作，能不能在关键步骤不添乱。 失败的代价，会在这一刻被放大。 在企业和工程场景里，一次不稳定的输出，很少只是体验问题。 它可能意味着一段流程被迫中断，意味着人工介入，意味着整条链路要回头检查。越是重要的流程，容错空间就越小。 也正因为这样，企业真正看重的，从来不是模型的极限表现，而是它的行为是不是可预测的。 当 Anthropic 被资源差距逼着，把模型压在 Coding 这种低容错场景里时，他们不得不把可靠性前置到训练阶段。 而当模型被训练成更可预测的状态后，这种特性在真实使用中，反而成了最先被感知到的价值。 你再回头看 Claude 系列模型的状态，会发现很多地方其实都是为这种使用场景服务的。 它更在意的是，在复杂任务里少犯错，在长时间使用中不出意外。这种取向，在消费级体验里未必显眼，但在真实的企业生产环境里，非常重要。 这也解释了为什么 Anthropic 会自然地走向 Enterprise 场景。 4 如果把 Anthropic 的这条路线放到整个行业里看，会发现它并不孤立。 当模型能力还主要停留在展示阶段时，评价标准其实很简单。 谁能给出更惊艳的结果，谁能在单次交互里表现出更强的理解力和创造力，谁就更容易被认为是更好的模型。 但当模型开始被放进真实系统，这套标准就会慢慢失效。 在真实工作流里，模型不是用来“试一试”的，而是要反复运行、长期参与决策和执行。 一次输出不只是一个回答，而是流程中的一个节点。只要这个节点不稳定，后面的所有环节都会受到影响。 也正是在这种环境下，能力强和能不能用，开始变成两件不同的事。 模型在极限条件下能不能多做一点事情，重要性反而下降了。 取而代之的是，它在大多数时间里能不能保持一致的行为，失败时能不能被快速识别，错误会不会扩散到系统其他部分。 当失败代价被放大时，激进不再是单纯的优势，稳定开始变得昂贵。 这并不是说模型不需要继续变强，而是当模型已经足够强、足以参与真实生产时，评价标准自然会发生迁移。更强不再自动等于更好用。