Anthropic: Claude Sonnet 4.6

Claude Sonnet 4.6 to model tekstowy od Anthropic, wymieniony na api14 jako anthropic/claude-sonnet-4.6. Anthropic opisuje go jako swój najbardziej zaawansowany model klasy Sonnet, z wiodącą wydajnością w kodowaniu, agentach i pracy profesjonalnej. Należy do kategorii tekstowej i jest skierowany do deweloperów budujących aplikacje, które potrzebują mocnego rozumowania i jakości generowania, a nie lekkiego modelu o niskich opóźnieniach.

Model przyjmuje jako dane wejściowe tekst, obrazy i pliki, a jako dane wyjściowe produkuje tekst. Jego okno kontekstowe wynosi 1 000 000 tokenów, co wystarcza, aby pomieścić całe bazy kodu, długie zestawy dokumentów lub rozszerzone historie rozmów w jednym żądaniu. Maksymalne wyjście to 128 000 tokenów, więc odpowiedzi mogą być długie, gdy zadanie tego wymaga, na przykład pełne przepisanie plików lub szczegółowe raporty. Ponieważ obrazy i pliki są akceptowane obok tekstu, można łączyć polecenia ze zrzutami ekranu, diagramami, plikami PDF lub plikami źródłowymi bez osobnego etapu wstępnego przetwarzania.

Te możliwości wskazują na kilka praktycznych zastosowań. Iteracyjny rozwój i nawigacja po złożonych bazach kodu pasują naturalnie: można wprowadzić repozytorium lub jego duży fragment i poprosić o zmiany, przeglądy lub wyjaśnienia w wielu plikach. Przepływy pracy w stylu agenta korzystają z obsługi wywoływania narzędzi i długiego kontekstu, ponieważ agent może utrzymywać stan i wyniki pośrednie bez ciągłego obcinania. Praca profesjonalna, taka jak analiza dokumentów, streszczanie i strukturalne wyodrębnianie z mieszanych danych wejściowych tekstowych i obrazowych, również wynika z modalności wejściowych i opcji strukturalnego wyjścia. Kontrolki rozumowania pozwalają wymieniać głębokość na szybkość w zależności od zadania.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "anthropic/claude-sonnet-4.6". Obsługiwane parametry żądania to include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_p i verbosity. W praktyce oznacza to, że możesz ustawić zachowanie próbkowania za pomocą temperature, top_p i top_k, ograniczyć długość wyjścia za pomocą max_tokens lub max_completion_tokens, kontrolować głębokość rozumowania za pomocą reasoning, reasoning_effort i include_reasoning oraz ograniczyć kształt odpowiedzi za pomocą response_format i structured_outputs. Użycie narzędzi konfiguruje się przez tools i tool_choice, a verbosity dostosowuje, jak dużo model mówi.

Głównym ograniczeniem do zapamiętania jest to, że wyjściem jest wyłącznie tekst, więc zadania wymagające generowanych obrazów lub dźwięku wykraczają poza ten model. Limit wyjścia 128 000 tokenów oznacza również, że bardzo duże pojedyncze odpowiedzi muszą być dzielone lub strumieniowane etapami. Jeśli twoje obciążenie to prosta klasyfikacja lub krótkie odpowiedzi, gdzie opóźnienie i przepustowość mają większe znaczenie niż głębokość rozumowania, mniejszy model może być lepszym wyborem. Do kodowania z długim kontekstem, pętli agentów oraz analizy mieszanego tekstu, obrazów i plików Claude Sonnet 4.6 jest mocniejszym wyborem.