Ra mắt Claude 4: Opus 4 và Sonnet 4
(anthropic.com)- Anthropic ra mắt Claude Opus 4 và Claude Sonnet 4, đưa lập trình, suy luận nâng cao và tác vụ AI agent thành các lĩnh vực hiệu năng trọng tâm của thế hệ Claude tiếp theo
- Cả hai mô hình đều là mô hình lai chuyển đổi giữa phản hồi tức thì và suy luận sâu, đồng thời hỗ trợ dùng công cụ như tìm kiếm web trong lúc suy nghĩ mở rộng và chạy công cụ song song
- Opus 4 đạt 72.5% trên SWE-bench và 43.2% trên Terminal-bench, còn Sonnet 4 đạt 72.7% trên SWE-bench, cải thiện khả năng lập trình, suy luận và tuân thủ chỉ dẫn so với Sonnet 3.7
- Claude Code đã chính thức phát hành, mở rộng sang terminal, VS Code, JetBrains, GitHub Actions và SDK, có thể đảm nhận phản hồi review PR, sửa lỗi CI và thay đổi mã
- API được bổ sung công cụ thực thi mã, MCP connector, Files API và bộ nhớ đệm prompt tối đa 1 giờ để nhà phát triển có thể xây dựng AI agent mạnh hơn
Ra mắt dòng mô hình Claude 4
- Anthropic công bố Claude Opus 4 và Claude Sonnet 4 là các mô hình thế hệ tiếp theo của Claude
- Trọng tâm cốt lõi của hai mô hình là lập trình, suy luận nâng cao và tác vụ AI agent
- Claude Opus 4 là mô hình lập trình có hiệu năng bền bỉ trong các tác vụ phức tạp, kéo dài và quy trình agent workflow
- Claude Sonnet 4 là bản nâng cấp của Claude Sonnet 3.7, nâng cao hiệu năng lập trình, suy luận và độ chính xác khi làm theo chỉ dẫn
Cách cung cấp và giá
- Claude Opus 4 và Sonnet 4 đều cung cấp cả phản hồi gần như tức thì lẫn chế độ suy nghĩ mở rộng để suy luận sâu hơn
- Các gói Claude Pro, Max, Team và Enterprise bao gồm cả hai mô hình cùng suy nghĩ mở rộng
- Người dùng miễn phí cũng có thể dùng Sonnet 4
- Cả hai mô hình đều có trên Anthropic API, Amazon Bedrock và Google Cloud Vertex AI
- Giá giữ nguyên như các mô hình Opus và Sonnet trước đó
- Opus 4: $15/$75 cho mỗi 1 triệu token đầu vào/đầu ra
- Sonnet 4: $3/$15 cho mỗi 1 triệu token đầu vào/đầu ra
Hiệu năng lập trình và tác vụ dài hạn của Opus 4
- Claude Opus 4 là mô hình mạnh nhất của Anthropic, đạt 72.5% trên SWE-bench và 43.2% trên Terminal-bench
- Mô hình cho hiệu năng bền bỉ trong các tác vụ dài hạn cần tập trung qua hàng nghìn bước và có thể làm việc liên tục trong nhiều giờ
- Cursor đánh giá Opus 4 là mô hình tiên tiến nhất cho lập trình và cho rằng nó đã tạo ra bước tiến lớn trong việc hiểu các codebase phức tạp
- Replit cho biết độ chính xác đã tăng lên trong các thay đổi phức tạp trải rộng trên nhiều tệp
- Block mô tả rằng trong agent nội bộ codename goose, Opus 4 là mô hình đầu tiên vừa nâng cao chất lượng mã trong lúc chỉnh sửa và gỡ lỗi vừa duy trì hiệu năng và độ tin cậy
- Rakuten xác nhận Opus 4 thể hiện hiệu năng bền bỉ khi chạy độc lập trong 7 giờ với các tác vụ refactor mã nguồn mở đầy thách thức
- Cognition đánh giá Opus 4 mạnh ở các tác vụ quan trọng mà mô hình trước bỏ lỡ và các bài toán phức tạp mà những mô hình khác không giải được
Vị trí của Sonnet 4
- Claude Sonnet 4 là mô hình được cải thiện so với Sonnet 3.7 và đạt 72.7% trên SWE-bench
- Mô hình hướng tới sự cân bằng giữa hiệu năng và hiệu quả cho các trường hợp sử dụng nội bộ lẫn bên ngoài, đồng thời cải thiện khả năng điều hướng để kiểm soát triển khai
- Dù không ngang với Opus 4 ở hầu hết lĩnh vực, mô hình vẫn mang lại sự kết hợp giữa năng lực và tính thực dụng
- GitHub dự kiến đưa Sonnet 4 vào làm mô hình vận hành coding agent mới của GitHub Copilot
- Manus nhấn mạnh các cải thiện về tuân thủ chỉ dẫn phức tạp, suy luận rõ ràng và kết quả có tính thẩm mỹ
- iGent cho biết việc phát triển ứng dụng đa chức năng tự động và khám phá codebase đã được cải thiện, đồng thời lỗi khám phá giảm từ 20% xuống gần 0
- Sourcegraph đánh giá Sonnet 4 duy trì định hướng lâu hơn, hiểu vấn đề sâu hơn và cho chất lượng mã thanh lịch hơn
- Augment Code chọn Sonnet 4 là ưu tiên hàng đầu cho mô hình mặc định nhờ tỷ lệ thành công cao hơn, chỉnh sửa mã chính xác hơn và sự cẩn trọng trong các tác vụ phức tạp
Cải thiện tính năng mô hình
- Cả hai mô hình đều có thể dùng công cụ ngay trong lúc suy nghĩ mở rộng
- Ví dụ có thể dùng web search
- Claude có thể luân phiên giữa suy luận và dùng công cụ để cải thiện phản hồi
- Cũng hỗ trợ chạy công cụ song song và tuân thủ chỉ dẫn chính xác hơn
- Nếu nhà phát triển cấp quyền truy cập tệp cục bộ, mô hình có thể thể hiện tính năng bộ nhớ, trích xuất và lưu trữ các sự kiện cốt lõi để duy trì tính liên tục và tri thức ngầm
- Hành vi kết thúc tác vụ bằng cách tận dụng lối tắt hay lỗ hổng đã giảm so với Sonnet 3.7
- Đặc biệt trong các tác vụ agent dễ bị ảnh hưởng bởi lối tắt và lỗ hổng, hai mô hình này có khả năng xuất hiện hành vi đó thấp hơn 65% so với Sonnet 3.7
- Opus 4 đặc biệt mạnh trong việc tạo và duy trì
memory fileschứa thông tin cốt lõi trong các ứng dụng mà nhà phát triển cấp quyền truy cập tệp cục bộ- Ví dụ, trong lúc chơi Pokémon, mô hình tạo ra
Navigation Guide - Điều này cải thiện khả năng nhận biết tác vụ dài hạn, tính nhất quán và hiệu năng tác vụ agent
- Ví dụ, trong lúc chơi Pokémon, mô hình tạo ra
Tóm tắt suy nghĩ và Developer Mode
- Dòng Claude 4 giới thiệu thinking summaries, nén quá trình suy nghĩ dài bằng một mô hình nhỏ hơn
- Các bản tóm tắt này chỉ cần thiết trong khoảng 5% trường hợp
- Phần lớn quá trình suy nghĩ đủ ngắn để hiển thị toàn bộ
- Người dùng cần chuỗi suy nghĩ thô cho kỹ thuật prompt nâng cao có thể liên hệ về Developer Mode mới qua contact sales
Claude Code chính thức phát hành
- Claude Code đã chính thức phát hành, mở rộng Claude sang terminal, IDE và các workflow chạy nền
- Các extension beta mới cho VS Code và JetBrains tích hợp trực tiếp Claude Code vào IDE
- Các chỉnh sửa do Claude đề xuất được hiển thị inline trong tệp
- Người dùng có thể review và theo dõi thay đổi ngay trong editor quen thuộc
- Chạy Claude Code trong terminal của IDE để cài đặt
- Hỗ trợ tác vụ chạy nền thông qua GitHub Actions
- Claude Code SDK có thể mở rộng cũng được công bố
- Nhà phát triển có thể dùng agent cốt lõi giống Claude Code để xây dựng agent và ứng dụng riêng
- Claude Code on GitHub được cung cấp ở bản beta
- Có thể gắn thẻ Claude Code trong PR để phản hồi góp ý của reviewer, sửa lỗi CI và chỉnh sửa mã
- Cài đặt bằng cách chạy
/install-github-apptrong Claude Code
API và an toàn
- Anthropic API được bổ sung bốn tính năng mới dành cho phát triển AI agent
- công cụ thực thi mã
- MCP connector
- Files API
- bộ nhớ đệm prompt tối đa 1 giờ
- Dòng Claude 4 được định vị là bước tiến hướng tới việc duy trì toàn bộ ngữ cảnh, giữ tập trung trong các dự án dài hạn và thực hiện các công việc có tác động lớn
- Các mô hình đã trải qua kiểm thử và đánh giá trên diện rộng nhằm giảm rủi ro và nâng cao an toàn
- Bao gồm các biện pháp bảo vệ cho mức ASL-3 cao hơn về AI Safety Levels
- Người dùng có thể bắt đầu từ Claude, Claude Code hoặc nền tảng mà họ muốn
Cách báo cáo benchmark
- Claude Opus 4 và Sonnet 4 là các mô hình suy luận lai, và các benchmark được công bố hiển thị điểm cao nhất đạt được bất kể có dùng suy nghĩ mở rộng hay không
- Các kết quả không dùng suy nghĩ mở rộng gồm
- SWE-bench Verified
- Terminal-bench
- Các kết quả dùng suy nghĩ mở rộng sử dụng tối đa 64K token gồm
- TAU-bench
- GPQA Diamond
- MMMLU
- MMMU
- AIME
- Một số điểm số đo không dùng suy nghĩ mở rộng cũng được cung cấp
- GPQA Diamond: Opus 4 74.9%, Sonnet 4 70.0%
- MMMLU: Opus 4 87.4%, Sonnet 4 85.4%
- MMMU: Opus 4 73.7%, Sonnet 4 72.6%
- AIME: Opus 4 33.9%, Sonnet 4 33.1%
Phương pháp luận của TAU-bench và SWE-bench
- Điểm TAU-bench được lấy trong thiết lập có thêm phụ lục prompt vào Airline và Retail Agent Policy để Claude tận dụng tốt hơn khả năng suy luận khi dùng suy nghĩ mở rộng và công cụ
- Mô hình được hướng dẫn ghi lại suy nghĩ theo cách khác với chế độ suy nghĩ thông thường trong lúc giải quyết vấn đề
- Do phần suy nghĩ bổ sung có thể làm tăng số bước, giới hạn bước tối đa được nâng từ 30 lên 100
- Hầu hết các quỹ đạo kết thúc trước 30 bước
- Chỉ có một quỹ đạo vượt quá 50 bước
- Trong SWE-bench của dòng Claude 4, Anthropic tiếp tục dùng scaffold đơn giản như các bản phát hành trước
- Chỉ có hai công cụ là công cụ bash và công cụ chỉnh sửa tệp theo cách thay thế chuỗi
- Công cụ thứ ba là
planning tooltừng dùng trong Claude 3.7 Sonnet không còn được đưa vào
- Tất cả điểm số của mô hình Claude 4 đều được báo cáo trên toàn bộ 500 bài toán
- Điểm của mô hình OpenAI được báo cáo trên tập con 477 bài toán
- Điểm “high compute” dùng phép tính tại thời điểm kiểm thử song song và độ phức tạp bổ sung
- Lấy mẫu nhiều lần thử song song
- Loại bỏ các bản vá làm hỏng các bài kiểm thử hồi quy nhìn thấy được của kho mã
- Không dùng thông tin từ các bài kiểm thử ẩn
- Dùng mô hình chấm điểm nội bộ để chọn ứng viên tốt nhất còn lại
- Theo cách này, điểm high compute là Opus 4 79.4% và Sonnet 4 80.2%
1 bình luận
Ý kiến trên Hacker News
Một điểm quan trọng bị bỏ sót trong thông báo lần này là mốc cắt dữ liệu huấn luyện của Claude 4 là tháng 3/2025. Đây là mức mới nhất trong các mô hình gần đây, còn Gemini 2.5 có mốc cắt là tháng 1/2025
https://docs.anthropic.com/en/docs/about-claude/models/overv...
Những mô hình tôi hay dùng đủ thông minh để tự nhận ra khi một chủ đề cần thông tin mới và đi lấy về
“GitHub says Claude Sonnet 4 soars in agentic scenarios and will introduce it as the base model for the new coding agent in GitHub Copilot.”
Mô hình này có thể đẩy giấc mơ để “Assign to CoPilot” tự động xử lý hầu hết các việc máy móc như nâng cấp package tiến gần hơn. Nếu gánh nặng bảo trì giảm, khả năng cao cũng sẽ dẫn đến sự hồi sinh của các dự án cũ
Chưa có cấu trúc chính thức, nhưng nếu đọc bình luận này và cần chạy coding agent miễn phí thì gửi email cho tôi, tôi sẽ thiết lập giúp
[0] Sản phẩm coding agent headless của tôi, tương tự “assign to copilot” nhưng xử lý song song nhiều tác vụ từ các bảng công việc như Linear, Jira. Đến nay nó khá thành công với các tính năng đơn giản, lặp đi lặp lại, và nhìn chung test càng tốt thì mã đầu ra càng tốt. Tất nhiên nó cũng có thể tự viết test, và thực tế là có viết
Các mô hình AI hiện tại về cơ bản không tạo được tiến triển nào trong việc này. Tôi định sẽ tiếp tục thử cho đến khi làm được
Tôi nghĩ phần AI có thể giúp ở đây là tóm tắt thay đổi, xung đột, ảnh hưởng lên codebase và nếu có thể thì quét bảo mật
“Users requiring raw chains of thought for advanced prompt engineering can contact sales”
Giờ có vẻ cả ba nhà cung cấp LLM đều đang che giấu chuỗi suy nghĩ (CoT). Thật đáng tiếc, vì có thể thấy khoảnh khắc nó sắp đi sai hướng, giúp tinh chỉnh prompt nhanh hơn
Không chỉ OpenAI mà gần đây Google cũng bắt đầu chuyển chuỗi suy nghĩ thành bản tóm tắt, mà cá nhân tôi thấy là các tóm tắt bị đơn giản hóa quá mức
https://assets.anthropic.com/m/71876fabef0f0ed4/original/rea...
Bài báo đánh giá độ trung thực của chuỗi suy nghĩ trong các mô hình suy luận mới nhất bằng 6 gợi ý suy luận, và nói rằng trong hầu hết cấu hình và mô hình, ít nhất 1% các trường hợp dùng gợi ý có xuất hiện trong chuỗi suy nghĩ, nhưng tỷ lệ công khai thường dưới 20%; học tăng cường dựa trên kết quả ban đầu làm tăng độ trung thực nhưng rồi chững lại mà không bão hòa; và dù reward hacking làm tăng tần suất dùng gợi ý, xu hướng diễn đạt điều đó bằng lời trong chuỗi suy nghĩ không tăng
Nói cách khác, chuỗi suy nghĩ cũng có thể là lời giải thích bịa ra của mô hình. Vì vậy có thể ai đó trong nội bộ Anthropic không muốn đánh lừa khách hàng, và nếu vấn đề này được giải quyết thì nó có thể quay lại
Nếu mô hình dùng cho chuỗi suy nghĩ được huấn luyện khác với mô hình tương tác với người dùng cuối thì cũng hợp lý. Ví dụ có thể là một expert khác trong MoE; dù sao người dùng chỉ thấy đầu ra đã được lọc bởi mô hình công khai, nên nếu mô hình chuỗi suy nghĩ gần với mô hình gốc trước RLHF hơn thì rủi ro danh tiếng của công ty cũng thấp hơn
Làm vậy có thể đạt hiệu năng của mô hình gốc trong khi vẫn giữ lớp lọc để ngăn thiệt hại thực tế hoặc sự cố PR nghiêm trọng
Khi hỏi về Zig và cách triển khai, việc xem chuỗi suy nghĩ của mô hình đã mở rộng tầm nhìn của tôi rất nhiều
Hẳn không chỉ mình tôi nghĩ rằng phiên bản này không tốt hơn trước, LLM trên thực tế đã bước vào giai đoạn chững lại, và “tính năng” của các bản phát hành mới phần lớn gần như chỉ là trò đánh lừa thị giác
Thực tế là tôi hoàn toàn không hình dung nổi các công ty này sẽ bền vững kiểu gì. Tôi từng host inference trên GPU đám mây, và chỉ cần gắn thêm một chút gói miễn phí thôi là chi phí trông đã cực kỳ nặng nề
Chưa kể alphaevolve, demo thử nghiệm Copilot agent của Microsoft chạy trình duyệt để khám phá tính năng và viết test Playwright, hay các tiến bộ trong lĩnh vực coding
Với codebase TypeScript, tôi vẫn phải liên tục sửa và prompt lại y như hồi 3.7. Thậm chí có lần nó đang sửa nhầm file, mà cho đến khi tôi buộc nó xóa hết code và cho thấy đối tượng chúng tôi đang xem hoàn toàn không thay đổi, nó vẫn không nghĩ đến việc kiểm tra cụ thể hơn; chuyện đó khá sốc
Dữ liệu tổng hợp có vẻ làm tăng tỷ lệ hallucination, và các mô hình suy luận còn dễ tổn thương hơn vì ở mỗi bước suy luận, một hallucination đều có nguy cơ khiến mô hình đi chệch hướng
Từ góc độ sử dụng phổ quát, tôi nghĩ LLM đã gần như kết thúc từ đầu năm nay. OpenAI cũng nhận ra điều đó khi hủy GPT-5, rồi sau đó phát hành GPT-4.5 “quá đắt so với những gì thu được” và sớm quyết định dừng nó
Tôi không biết thị trường chứng khoán đã phản ánh điều này chưa. Muốn thoát khỏi tình trạng này cần phải có một đột phá
Nhưng như vậy hoàn toàn chưa đủ để nói là đã đạt đến giai đoạn chững lại. Tốc độ tiến triển từng cực kỳ nhanh, nên để kết luận như vậy thì cần chờ thêm vài tháng nữa
Về các tính năng thì tôi lại nghĩ ngược lại. Chúng không phải trò đánh lừa thị giác, mà là quá trình công cụ hóa quan trọng, tuy không phải bản thân AI cốt lõi nhưng cần thiết để thực sự sử dụng AI. Lĩnh vực LLM theo tiêu chuẩn sử dụng đại chúng vẫn còn ở giai đoạn đầu. Ngay cả khi mô hình không tốt hơn nữa, vẫn còn rất nhiều dư địa để cải thiện mạnh về tính hữu dụng và năng lực ở các chức năng như cách tương tác, cung cấp thông tin, gọi công cụ
Tôi rất thích Claude 3.7, dùng hằng ngày và nhìn chung thích hơn các mô hình Gemini. Nhưng khi thử dùng Opus 4 trong Claude Code cho một tác vụ gần như là tính năng mới trên codebase Go, quá trình suy nghĩ thì tốt nhưng 70–80% lượt gọi công cụ bị thất bại
Ngay cả các công cụ cơ bản như “Write”, “Update” cũng thất bại vì sai cú pháp. Cả 5 lần thử ghi file đều thất bại, nó cứ nói “Tôi cứ quên thêm tham số content. Tôi sẽ sửa” rồi tiếp tục thử
Có gì đó không ổn. Hy vọng sẽ sớm được giải quyết, nhưng hiện tại ít nhất Opus 4 không dùng được trong Claude Code. Dù vậy, những file mà nó tạo thành công thì có chất lượng cao
Về cơ bản có vẻ nó chạm giới hạn số token đầu ra tối đa, nên khi viết toàn bộ file mới trong một lần thì phản hồi bị dừng. Lỗi “tham số gọi công cụ không đúng” là đánh lạc hướng
Chúng tôi đã thử nghiệm Opus 4 và Sonnet 4 trên benchmark sinh SQL của mình: https://llm-benchmark.tinybird.live/
Opus 4 đã vượt qua tất cả các mô hình khác, tốt
Nếu mô hình thực sự thông minh hơn nhiều như vậy, chẳng phải hiệu năng ở lần thử đầu cũng phải tốt sao? Dù gì thì nó cũng “nghĩ” trước mà
Việc mô hình xAI không có trong danh sách hơi lạ. Cái tên Grok thì dở tệ, nhưng nó khá thường xuyên khiến tôi bất ngờ. Tôi vẫn chưa dùng mô hình ChatGPT giá 250 đô, và không thích cách hành xử gần đây của OpenAI
Có nơi nào ghi lại những thay đổi về cửa sổ ngữ cảnh của Claude 4 không? Tôi không rành lắm, nhưng tôi hiểu rằng một trong những lý do Gemini 2.5 hữu ích là vì nó có thể xử lý ngữ cảnh khổng lồ cỡ 50.000~70.000 dòng
Thực ra ngữ cảnh 1M của Gemini 2.5 không phải là điểm khác biệt quá lớn. Ngữ cảnh càng lớn thì lợi ích cảm nhận được từ khả năng bám theo các token ở phần sau càng giảm
Các công cụ khác có thể bỏ bớt một phần ngữ cảnh trước đó hoặc dùng RAG, nhưng chúng không ép bắt đầu chat mới mà không cảnh báo
Giống beta header của Sonnet 3.7
“Finally, we've introduced thinking summaries for Claude 4 models that use a smaller model to condense lengthy thought processes. This summarization is only needed about 5% of the time—most thought processes are short enough to display in full. Users requiring raw chains of thought for advanced prompt engineering can contact sales about our new Developer Mode to retain full access.”
Tôi không muốn xem “bản tóm tắt” suy luận của mô hình. Để kiểm tra suy luận của mô hình có chính xác không và liệu có thể tin kết quả hay không, cần phải xem suy luận thực tế
Rất khó chịu khi sau OpenAI, đến cả Anthropic cũng đi theo hướng che giấu quá trình suy nghĩ của mô hình, tính phí các token mà người dùng không thể thấy, rồi cung cấp “bản tóm tắt” khiến người dùng không biết thực sự đang xảy ra chuyện gì
Ở nhiều khía cạnh, “suy nghĩ” phần lớn gần với marketing hơn
Xét việc mọi người thực ra hầu như không đọc quá trình suy nghĩ, tôi xem đây là cải thiện trải nghiệm người dùng
Tôi thật sự mong Sonnet 4 đừng ám ảnh với gọi công cụ như 3.7. 3.5 lần đầu tiên đem lại trải nghiệm kỳ diệu như thể mô hình sắp làm chủ được lập trình. Sau đó thì cảm giác hơi đi xuống
Cảm giác như cuộc đua MHz CPU thập niên 90 đã quay trở lại. Chỉ là giờ đây, thay vì bàn tán về kiến trúc CPU và các kết quả có giá trị mơ hồ trên nhiều benchmark, chúng ta đang nói cùng một kiểu chuyện đậm chất mọt công nghệ giữa các LLM
Lịch sử tự gieo vần với chính nó
Dù vậy, tôi khá chắc là hồi đó không có các “đợt ra mắt” CPU mới cứ vài tháng một lần như các mô hình mới trong cuộc đua AI hiện nay