Anthropic與SpaceX達成合作,並提高Claude Code及Claude API使用限額
Anthropic於2026年5月6日宣佈與SpaceX達成合作,可使用Colossus 1數據中心的全部計算能力,並同日提高Claude Code及Claude API的使用限額。
推薦理由:這項算力合作已對應到具體方案調整,文章列出Claude Code不同方案的限額變化,以及Claude Opus API限制上調。
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。
Anthropic於2026年5月6日宣佈與SpaceX達成合作,可使用Colossus 1數據中心的全部計算能力,並同日提高Claude Code及Claude API的使用限額。
推薦理由:這項算力合作已對應到具體方案調整,文章列出Claude Code不同方案的限額變化,以及Claude Opus API限制上調。
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。
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。
Anthropic 發佈 Claude Opus 4.6,OpenAI 同日發佈 GPT-5.3-Codex,兩款前沿模型均聚焦提升編碼及智能體任務能力。
推薦理由:文章並列兩款模型的基準測試、長上下文與自主編碼能力,並交代工具整合和資安安排,便於比較其開發用途與使用條件。
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。
Linux Foundation 於 2025 年 12 月 9 日宣佈成立 Agentic AI Foundation(AAIF),MCP、goose 和 AGENTS.md 三個開源專案同時捐贈加入。
推薦理由:文章交代 AAIF 的設立目的、共同創辦方與三項捐贈專案,並説明 MCP 捐贈後治理模式不變,呈現其開放協作架構。
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。
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。
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。
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。