摘要： Anthropic 說明 Claude 3.7 Sonnet 的延長思考設計：同一個模型可在回答前投入可由 thinking budget 控制的推理量。思考過程會以原始形式顯示，但官方提醒它未必忠實反映真正的決策因素。這項能力有助長程代理任務，也帶來成本、資安與安全評估上的取捨。
2026 年 7 月 3 日，Anthropic 發出一篇公告，重新談起 Claude 3.7 Sonnet 的一個關鍵設計：面對難度不同的任務，同一個模型能自行決定要投入多少認知努力。它不靠換另一套模型來加深思考，而是在給出答案之前，允許自己多花時間、多繞幾步推理。
開發產品時，最直接的控制桿是「thinking budget」：替 Claude 在單一問題上可消耗的思考 token 訂出上限，據此在成本、延遲與答案品質之間取得平衡。
把思考過程攤在陽光下，以及隨之而來的代價
Claude 的思考過程之所以以原始樣貌呈現，Anthropic 給出的理由有三：建立信任、支持對齊研究，加上這件事本身夠有趣。透過這份紀錄，使用者能看見模型怎麼從不同角度切入問題、又怎麼反覆驗算自己的答案。
不過，攤開來看是要付出代價的。第一層問題在語氣：思考內容沒有套用標準的角色訓練，讀起來比一般輸出更冷、更缺少個人色彩，偶爾還夾雜錯誤或尚未成形的念頭。第二層問題更根本——Anthropic 直指「忠實性」疑慮：寫出來的文字未必完整反映模型內部真正的決策因素。官方研究發現，模型做決定時，依據的理由常常沒有出現在思考過程裡，因此光靠監控思考內容，並不足以推斷模型安不安全。
資安面同樣藏著風險：看得見的思考過程，可能被惡意使用者拿去設計出更奏效的越獄手法。Anthropic 因此將它定位為研究預覽，至於之後的版本要不要繼續公開，得重新權衡整體得失。
代理任務實測：OSWorld 與 Pokémon Red
延長思考並非 Claude 3.7 Sonnet 進步的全部來源，另一個關鍵是「action scaling」——模型能不斷呼叫函式、隨環境變化調整腳步，把開放式任務一路執行到底。以多模態電腦使用評測 OSWorld 為例，互動次數越多，它與前代模型的差距就拉得越開。
Game Boy 名作 Pokémon Red 則是更直觀的示範。Anthropic 提供螢幕像素輸入、基本記憶體與按下按鍵的函式，讓模型連續遊玩數萬次互動。前代 Claude 3.0 Sonnet 連初始城鎮的房子都走不出去；Claude 3.7 Sonnet 卻接連擊敗三位道館館主、順利取得徽章。Anthropic 認為，這種長時間保持專注、把開放式目標做完的能力，將幫助開發者打造更先進的 AI 代理。
序列式與平行式測試時運算，差在哪裡
延長思考走的是「序列測試時運算」路線：模型在輸出前一步步接續產生推理步驟，準確率隨思考 token 數呈對數曲線攀升。以 2024 年美國數學邀請賽（AIME）題目來看，允許的思考 token 越多，表現就越好，只是模型往往還沒用完預算就收了工。
「平行測試時運算」則是 Anthropic 研究團隊的另一項實驗：一口氣取樣多條互不相干的思考過程，再靠多數投票或學習評分模型挑出最佳答案。在涵蓋生物、化學、物理的 GPQA 難題集上，以相當於 256 個獨立樣本的運算量、64k token 思考預算搭配學習評分模型，Claude 3.7 Sonnet 拿下 84.8%，物理子項更衝上 96.5%。但這套做法仍在研究階段，尚未部署到正式模型。
安全評估結果：ASL-2 不變，能力卻亮起訊號
Claude 3.7 Sonnet 接受了 Frontier Red Team 與 Alignment Stress Testing 團隊的完整評估，結論是現行的 AI Safety Level 2（ASL-2）標準依舊適用。不過，一項針對化學、生物、放射性與核子（CBRN）武器相關任務的對照研究給出值得留意的結果：獲得模型輔助的參與者，進步幅度大於只使用網路資訊的參與者，代表模型能力確實有所提升。
與此同時，每一次嘗試都出現了足以讓任務做不下去的關鍵失敗。專家紅隊的回饋也不一致：有專家察覺模型在特定 CBRN 領域的知識增加了，但關鍵失敗的發生率依然過高。Anthropic 表示將加快部署針對性的分類器與監控系統，並為未來可能需要升級到 ASL-3 預先做準備。
這對做產品的人意味著什麼
產品若涉及複雜推理或長程代理任務，thinking budget 就是一個可以明確轉動的調校旋鈕。只是別忘了：可見思考過程的內容未必如實反映模型決策，直接拿來當安全監控或解釋工具並不合適。
比較穩當的路徑是：先在小規模任務上試出不同思考預算對成本與品質的實際影響，之後再判斷要不要在使用者介面中揭露思考過程。Anthropic 自己都把這個功能歸為研究預覽，介面與行為未來仍可能有變動。