Anthropic je objavio izdanje unaprijeđenog Claude 3.5 Sonnet modela, kao i novi Claude 3.5 Haiku, uz najavu javne beta verzije eksperimentalne funkcije nazvane “korištenje računara.” Ova funkcija donosi novi nivo upotrebe AI modela, omogućavajući mu da se ponaša poput čovjeka pri navigaciji računarom.
Za razliku od tradicionalnih AI modela koji se oslanjaju na specifične API-je ili alate za izvršavanje zadataka, Claude 3.5 Sonnet sada može koristiti računar na način sličan ljudima. To znači da AI može gledati ekran, pomjerati kursor, klikati i unositi tekst, što mu omogućava obavljanje zadataka poput popunjavanja obrazaca, navigacije web stranicama i interakcije s različitim softverskim programima dizajniranim za ljudske korisnike.
„Ulazimo u novu eru sa ‘korištenjem računara’. To je kao FSD (Full Self Driving) za vaš računar!“ izjavio je Sunny Madra iz Groq-a.
Rani korisnici poput Asane, Canve, Replita i The Browser Company već istražuju potencijal ove funkcije. Replit, na primjer, koristi ovu tehnologiju za razvoj alata koji evaluira aplikacije tokom njihovog razvoja.
Međutim, ova funkcija nije bez svojih ograničenja. Zadaci koji su jednostavni za ljude—poput skrolanja, povlačenja ili zumiranja — mogu biti izazovni za Claude 3.5 u ovoj fazi. Uprkos tim izazovima, Anthropic vjeruje da ova nova funkcija otvara vrata za nove mogućnosti automatizacije i razvoja AI softvera.
Claude 3.5 Sonnet i Claude 3.5 Haiku, zajedno s funkcijom korištenja računara, dostupni su putem Anthropicovog API-ja, Amazon Bedrocka i Google Cloudove platforme Vertex AI. Iako je Claude 3.5 Sonnet model već spreman za upotrebu, Claude 3.5 Haiku bit će dostupan kasnije ovog mjeseca.
Claude 3.5 Sonnet: Poboljšane sposobnosti
Unaprijeđeni Claude 3.5 Sonnet model donosi značajna poboljšanja, posebno u oblasti kodiranja. Model je napravio napredak u agentnim zadacima kodiranja, gdje AI autonomno generira i manipulira kodom.
Na prestižnom SWE-bench Verified benchmarku, performanse Claude 3.5 Sonnet modela su se povećale s 33.4% na 49.0%, nadmašujući druge velike AI sisteme, uključujući OpenAI-ov o1-preview.
Model je također ostvario bolje rezultate u zadacima koji zahtijevaju upotrebu alata. Na primjer, postigao je više ocjene na TAU-bench alatima, poboljšavši performanse u maloprodajnom sektoru s 62.6% na 69.2%, i u avio sektoru s 36.0% na 46.0%.
Claude 3.5 Haiku: Brzina i efikasnost
Claude 3.5 Haiku je dizajniran za stvarne aplikacije gdje su brzina i tačnost ključni. Ovaj model nudi poboljšanja u nekoliko područja, uključujući kodiranje, te je idealan za zadatke koji zahtijevaju nisku latenciju i preciznu upotrebu alata.
Zaključak
Claude 3.5 Sonnet i Claude 3.5 Haiku otvaraju nove mogućnosti za industrije koje zahtijevaju visoke performanse i preciznu AI podršku. Anthropic se pozicionira kao lider u AI tehnologijama, dok Claude 3.5 donosi revoluciju u način na koji AI koristi računare za obavljanje kompleksnih zadataka.
