跳到正文

Anthropic / Claude

Anthropic 的全部動態:Claude 系列模型、Claude Code、安全研究路線與公司進展的持續追蹤。

最新精選

第 41–49 條 · 共 49 條
4月8日週三
  1. gihyo.jp82

    Anthropic 宣佈 Project Glasswing,以 Claude Mythos Preview 協助保障重要軟件安全

    Anthropic 宣佈啟動 Project Glasswing,使用 Claude Mythos Preview 協助找出並修補全球重要軟件的安全漏洞。Anthropic 將向合作夥伴及維護重要軟件的 40 多個組織提供最多 1 億美元的模型使用額度。

    推薦理由:文章把 Claude Mythos Preview 發現嚴重漏洞的能力,與合作修補及限制提供的安排並置,呈現 Anthropic 如何應對模型帶來的資安風險。

2月18日週三
  1. gihyo.jp82

    Anthropic 發佈能力接近 Opus 級別的 Claude Sonnet 4.6;Figma 宣佈推出利用 Claude Code 的瀏覽器 UI 擷取功能

    Anthropic 於 2026 年 2 月 17 日發佈 Claude Sonnet 4.6,表示其多個領域的能力接近 Opus 級別,並以 beta 形式支援 1M token 上下文窗口。

    推薦理由:文章對照 Claude Sonnet 4.6 與 Opus 4.6 的任務適用差異,並交代電腦操作評測與現實操作之間的限制。

2月6日週五
2月5日週四
  1. gihyo.jp78

    GitHub 開放 Claude 與 Codex 編碼智能體公開預覽,供 Copilot Pro+ 和 Copilot Enterprise 用戶在 GitHub、VS Code 使用

    GitHub 在 Agent HQ 開放 Claude 與 Codex 的公開預覽,Copilot Pro+ 或 Copilot Enterprise 用戶可在 GitHub 和 Visual Studio Code 直接使用兩者作為編碼智能體。

    推薦理由:這項整合把 Claude、Codex 與 Copilot 納入 GitHub 和 VS Code 的同一工作流程,並支援向 Issue 指派多個智能體,呈現其協作與比較方式。

12月10日週三
11月24日週一
  1. Claude Platform:開發者版本說明79

    Claude Platform 2025 年 11 月 24 日更新推出 Claude Opus 4.5 及多項 API 功能

    Claude Platform 於 2025 年 11 月 24 日推出 Claude Opus 4.5,面向複雜專業任務、專業軟件工程及進階智能體。更新指出,該模型在視覺、編碼和電腦操作方面有顯著改進,定價亦較此前 Opus 模型更易負擔。

    推薦理由:這批更新為多工具工作流程提供兩種改善方式,程式化工具調用旨在降低延遲和 token 用量,工具搜尋則讓大型工具目錄中的工具可按需載入。

10月21日週二
  1. gihyo.jp76

    Anthropic 推出 Claude Code on the web 研究預覽版

    Anthropic 於2025年10月21日推出 Claude Code on the web 研究預覽版,讓用戶透過網頁介面操作 Claude Code,無須開啟終端機。

    推薦理由:這次更新把 Claude Code 的操作入口由終端機延伸至網頁,並交代雲端執行環境的隔離與 GitHub 存取限制,呈現其使用方式和安全邊界。

4月15日週二
  1. Amp Chronicle77

    如何用 Go 建立可編輯程式碼的 Claude 智能體

    Thorsten Ball 示範以 Go 和 Anthropic API 建立可編輯程式碼的 Claude 智能體,並以迴圈處理對話及工具呼叫。示範加入 read_file、list_files 和 edit_file,讓模型讀取及列出檔案,並按指令建立或修改檔案;工具結果會送回模型。程式碼不到 400 行。

    推薦理由:文章以不到 400 行 Go 程式碼,逐步組裝可讀取、列出及編輯檔案的 Claude 智能體,呈現工具定義與執行結果回傳的基本循環。

1月24日週二
  1. Hugging Face Blog60

    甚麼令對話智能體有用?

    Hugging Face Blog 梳理對話智能體的訓練方法,涵蓋 IFT、SFT、RLHF 和 CoT。文中指出,IFT 所需指令數據僅為數百例量級,SFT 以人工標註改善有用性和安全性,RLHF 則根據人類偏好訓練獎勵模型,再用強化學習訓練對話智能體。

    推薦理由:文章把 IFT、SFT、RLHF 與 CoT 放在對話智能體訓練脈絡中梳理,並比較多個系統的訓練資料和評估方向,呈現各方法的分工。