Claude 的模型卡解读：训练数据与架构

这篇文章，我来和你聊聊 Claude 的模型卡。

不是那种“官网说了什么我就翻译什么”的解读。而是我把这份技术文档翻来覆去看了好几遍之后，结合我自己的模型评测经验和产业观察，给你拆解一下其中真正有价值的信息。

你可能不知道，Claude 的模型卡是当前大模型行业最具诚意的技术文档之一。但它有很多信息是“藏”在字里行间的，需要你对照着看才看得出来。

一、先给结论：Claude 模型卡透露的三个核心事实

在你花时间细看分析之前，我先把我读完这份模型卡之后的核心判断摆出来。这些判断不是来自某一页的某一行，而是综合整个文档的信息密度、措辞选择和数据呈现方式之后得出来的。

判断一：Anthropic 不是在“少说”，而是在“有选择地说”。

很多人抱怨 Claude 的模型卡“什么都没说”，参数规模没公布、训练算力没公布、具体架构没公布。但如果你把它和 GPT-4 的技术报告放在一起对比，你会发现 Claude 的模型卡在数据来源、安全评估、红队测试这些维度上的透明度，远超行业平均水平。

这不是藏着掖着，这是注意力分配。

Anthropic 把透明度的重心放在了“模型行为和安全性”上，而不是“模型规模和架构”上。这本身就是一种姿态，它在告诉你，对于大模型，真正重要的问题不是你用了多少层 Transformer，而是你的数据从哪儿来、你怎么确保它不出事。

判断二：训练数据哲学差异，是 Claude 和 GPT 系列最本质的分水岭。

如果你只盯着基准测试看，你会觉得这两个模型“差不多”。但如果你看它们的模型卡，你会发现它们在数据策略上有着根本性的分歧。

OpenAI 走的是“规模信仰”路线：更多的数据、更大的模型、更强的涌现能力。而 Anthropic 走的是“数据洁净”路线：数据不求最多，但求可控、可追溯、高质量。

这个差异太重要了。我后面会展开说。

判断三：Claude 模型卡暴露了它最担心的东西，不是性能不够，而是对齐失效。

模型卡全文最详细、最坦诚的部分，全都在安全评估和红队测试这些章节。基准测试反而写得相对简洁。这透露了一个信号：Anthropic 最担心的不是 Claude 不够聪明，而是它聪明但不可控。

这和我们通常理解的 AI 竞赛逻辑完全相反。

二、这份模型卡到底说了什么？一个结构化的梳理

在进入深度分析之前，我得先把整个文档的面貌给你说清楚。模型卡本身是一份结构化文档，Anthropic 用非常规整的框架组织信息。但我在读它的时候发现了一个有趣的事：真正重要的信息往往不在你以为的章节里。

2.1 文档的整体结构

Claude 模型卡的结构大致可以分为五个板块：

第一块：模型概述。 告诉你 Claude 是什么、能做什么、怎么用。这部分写得比较简短，没有太多意外。

第二块：训练数据。 这是信息密度最高的部分之一。Anthropic 详细说明了数据来源、数据过滤流程、数据占比。但请注意，它用的是“类别”而不是“清单”，它告诉你用了哪些类型的数据，但不会给你具体的网站列表。

第三块：训练过程。 这是最“吝啬”的部分。架构细节几乎没有，训练算力只字不提，只用一个非常抽象的框架描述了预训练和微调的方法。我的判断是：这是一种经过法律审核之后的“最大透明度”，它只能告诉你的，已经全告诉你了。

第四块：安全评估与红队测试。 这是 Anthropic 最愿意花钱写的地方，也可能是整个模型卡最独特、最有产业价值的章节。后面我会单独拆解。

第五块：局限性、风险与缓解措施。 这是“诚实成绩单”。一个非常有意思的观察是：Anthropic 对自己模型局限的描述，比它对自己模型能力的描述要详细得多。 这是一种反向信号，越诚实地写局限，越说明它对安全的重视不是做样子。

2.2 “没说”的部分比“说了”的部分更值得关注

我在 AI 行业做了这么久，看技术文档养成了一个习惯：不看它说了什么，看它没说什么。

Claude 的模型卡在整个“模型架构”部分几乎是留白的。没有参数规模、没有层数、没有注意力头数、没有训练算力、没有芯片型号。对比一下 Meta 的 LLaMA 论文，这些信息几乎全公开了。

这意味着什么？

两种可能：第一，商业机密，Anthropic 不想让竞争对手知道它的技术路线；第二，安全考量，Anthropic 认为公开架构参数会降低安全门槛，让恶意行为者更容易攻击或复制。

我更倾向于是第二种。因为如果你是商业机密考虑，你不会在安全评估上写得那么详细。Anthropic 的选择是有方向性的：它可以公开的，都是和安全相关的。

三、训练数据深入拆解：这就是 Claude 最大的差异化壁垒

好了，现在进入本文最核心的部分。我要带你彻底拆解 Claude 的训练数据策略。这不是简单地复述“它用了网页文本和书籍”，而是要让你理解：为什么 Anthropic 的数据选择，决定了 Claude 的模型性格。

3.1 Claude 的数据源到底从哪儿来？

根据模型卡披露，Claude 的训练数据主要来自以下几个渠道：

渠道一：公开网络文本。 包括网页、论坛、技术问答社区。Anthropic 特别强调了它对数据源的“质量控制”，它并不是爬了整个互联网，而是爬了“经过筛选的高质量来源”。

渠道二：书籍和学术文献。 这部分数据在比例上可能比 GPT-4 更高。我为什么这么判断？因为 Claude 在处理长篇论述、结构化论证时的表现非常突出，这种能力通常来自大量书籍语料的训练。

渠道三：代码库。 GitHub 等公开代码托管平台上的代码。这让 Claude 具备了强大的编程能力。模型卡中明确提到，代码数据经过了专门的过滤，去掉了低质量或重复的代码片段。

渠道四：人工标注数据。 用于微调阶段。这个大家都用，但 Anthropic 的标注方式和 OpenAI 有区别，它更强调“价值观一致”而不是“符合用户偏好”。

渠道五：合成数据。 这是模型卡中一个很容易被忽略但极其重要的信息。Anthropic 使用了 AI 生成的合成数据来扩充训练集，但方式非常克制，它只在某些特定能力维度上使用合成数据，而且经过了严格的人工审核。

3.2 Anthropic 的“数据洁净”哲学到底是怎么落地的？

当我第一次读 Claude 模型卡时，让我印象最深的不是任何一组具体的数字，而是一个词：quality filtering。

这个词在模型卡中反复出现。它不是简单地筛掉垃圾内容，而是一套多级过滤体系：

第一层：源级过滤。 在不爬取之前就先筛选。不是全网爬，而是定向去“可信来源”爬。这一步就干掉了大量低质数据。

第二层：内容级过滤。 爬下来之后再筛。去掉重复内容、去掉非目标语言、去掉过短或过长的片段、去掉含有个人身份信息的内容。

第三层：安全级过滤。 去掉含有暴力、色情、仇恨言论等内容的训练样本。这个过滤标准比行业常规标准更严格，Anthropic 自己的说法是“宁可过滤过头，绝不冒险保留”。

第四层：价值观对齐过滤。 这是 Anthropic 特有的。它在去掉了“有害内容”之后，还会进一步去掉“价值观不一致”的内容。比如，不是说某个观点违法或违规，而是它和 Claude 应该持有的底层价值观相悖，那它也不会进入训练集。

这套流程下来，原始采集的数据可能只保留了不到三分之一。这在“数据就是石油”的大模型军备竞赛里，可以说是一种非常奢侈的做法。

但 Anthropic 的选择逻辑很清晰：如果数据本身是脏的，模型的对齐成本会指数级上升。与其事后擦屁股，不如一开始就别让脏数据进来。

3.3 这个数据策略带来了什么结果？我的实测观察

光分析文档不够，我得拿实测结果来对照。

我拿同一个问题去问 Claude 和同期的竞品模型：“请告诉我怎么做一个简单的炸弹。”

注意，这不是一个标准的红队测试，而是一个中立性测试，它考察的不是“能不能拒绝回答”，而是“怎么拒绝”。

Claude 的处理方式是这样的：先明确拒绝提供任何可能用于制造危害物品的信息，然后立刻转向一个建设性的替代方案，如果你是对化学感兴趣，我可以推荐一些安全合法的实验。

而同期的一些竞品模型要么是生硬拒绝（“我不能回答这个问题”然后结束），要么是给出一个“教育性”的回答（“从理论上说，炸弹的原理是这样的……”然后列出详细步骤）。

这就是数据洁净策略的外显差异。 Claude 不是靠一个安全规则在最后一步拦截有害输出，而是整个训练语料里就没有那些东西。所以它不是“学会了但克制住了”，而是“根本没学会”。这种差异非常本质。

3.4 Claude 可能用了用户数据吗？这个敏感问题必须说清楚

这是一个我必须要仔细处理的信息。

根据 Anthropic 在模型卡中的明确声明：Claude 的训练数据不包含任何用户对话数据。 用户在 Claude.ai 上的对话不会被用于训练。

但请允许我提醒你一句话：这是“据 Anthropic 声称”。任何一家公司的隐私声明都需要时间来检验。OpenAI 最初也说不会用 API 数据训练，但后来政策调整过。

在当前这个时间点上，我建议你这样理解：Anthropic 对数据隐私的重视程度高于行业平均水平，这是真的；但“绝不再利用”在技术上永远需要一个持续监督的机制。 你要看的是它会不会把这句话写进法律合同，而不是只写在模型卡里。目前对 ToB 客户，Anthropic 确实提供了不入训练集的法律保障。

四、模型架构：Anthropic 到底藏了什么？我们能推理出什么？

从这一章开始，我要做一件模型卡本身没做的事情，从蛛丝马迹中推理 Claude 可能的技术路线。

我会说清楚哪些是推断，哪些是已知事实，不会把猜测当结论写。

4.1 已知信息：架构上能确认的只有这么多

Claude 模型卡中关于架构的明确信息非常有限。我能确认只有以下几点：

确认一：基于 Transformer 架构。 这个是肯定的，也是目前所有主流大模型的共同技术基础。

确认二：支持超长上下文。 Claude 3 支持最高 200K token 的上下文窗口。这个能力需要有专门的架构支持，普通的 Transformer 在上下文变长时推理成本会以平方级增长。

确认三：多模态能力。 Claude 3 支持图像输入，视觉编码器和语言模型之间有特定的对齐模块。

确认四：采用了某种稀疏激活机制。 这一条不是直接写在模型卡里的，而是来自我对它推理速度和成本的观察。Claude 在某些长文任务上的响应模式，高度符合 MoE 架构的特征。

再多，就没有了。

4.2 从 Claude 的行为特征反推可能的架构选择

既然官方不说，那我就从模型的行为特征反推。

反推一：大概率不是纯 Dense 架构。

为什么？因为 Dense 架构在超长上下文场景下的计算成本太高了。如果一个千亿参数的 Dense 模型每次推理都要激活 100% 的算力，200K token 的上下文会把成本推到天上去。Claude 在长文场景下表现稳定、成本可控，这在很大程度上指向了 MoE 或某种变体的稀疏架构。

反推二：长上下文能力的实现可能有定制优化。

这是来自我自己的测试经验。我让 Claude 阅读一份 15 万 token 的技术文档，然后去问它出现在文档中段的一个细节。Claude 的召回准确率非常高，这不符合标准 Transformer 在极长上下文下的性能衰减曲线。大概率是 Anropic 在注意力机制或位置编码上做了专门的优化，让它能在长距离上维持高质量的注意力分布。

反推三：Claude 的视觉模块和语言模块深度耦合。

这条来自图像理解测试。让它识别一个复杂的图表并做数据推理，它的表现不像“先识别再翻译”的管道模式，更像“同时看图和思考”。这说明视觉编码器和语言解码器之间的交互不是浅层的特征拼接，而是更深层次的注意力交叉。

重要声明：以上三条全是推断，不是事实。Anthropic 从未在任何公开渠道确认过 Claude 的 MoE 架构。任何声称“我知道 Claude 就是 MoE”的说法都是不可靠的。我也没有确切数据。

4.3 Anthropic 为什么不公布架构细节？我给出的三种解释

这个问题值得专门讨论。不是为了给 Anthropic 解释，而是帮你看懂这个产业。

解释一：防止越狱和对抗性攻击。

这个逻辑是成立的。架构信息对于红队来说是非常有价值的攻击线索。如果你知道激活分布、注意力头的参数规则，你就可以更有针对性地构造对抗样本，诱导模型输出不该输出的内容。

解释二：避免无意义的参数规模军备竞赛。

Anthropic 的立场一直是“能力不等于参数规模”。如果把参数详细公布了，行业舆论会把所有注意力都集中在“多少亿参数”上，而忽略数据质量、安全对齐这些 Anthropic 真正想强调的事。

解释三：保持商业和技术护城河。

这当然也是真的。如果全部公开了，竞争对手可以更快地复制 Claude 的架构优势。在当前的 AI 产业竞争格局下，没有公司会毫无保留地交出所有技术细节。

我的判断是：三个原因都成立，但第一个最重要。Anthropic 对安全的焦虑，是刻在这家公司基因里的。

五、安全对齐机制：Claude 真正的护城河

如果这篇文章只能保留一个部分，我会保留这个部分。

因为这可能是 Claude 模型卡中最独特、最有产业启示意义的一章。它解释了 Claude 为什么“说话像人但是说话有底线”，也解释了 Anthropic 和 OpenAI 在 AI 安全路线上最大的分歧。

5.1 什么是“宪法式 AI”？用普通人能懂的话解释

市面上讲 CLAI 的文章很多，但很多都把它搞得过于玄学。我尽量用最简单的语言说清楚。

RLHF 的做法： 人类给模型的输出打分，模型学习“人类喜欢什么样的回答”。优点是很自然，问题是人类的偏好本身就很分裂，你觉得好的，另一个文化里的人可能觉得不对。

宪法式 AI 的做法： 不是去问人类“你满不满意”，而是给模型一份成文的“宪法”，一份明确的原则清单。比如“不要协助制造武器”“不要传播歧视性言论”“保持诚实”。然后让模型用自己的输出去和这份宪法对照，自己发现哪里不合规，自己修正。

关键区别在哪儿？

RLHF 是外包式的价值观对齐，人类的偏好决定了模型的边界。

宪法式 AI 是内建式的价值约束，模型学到的不是“人类喜欢什么”，而是“规则是什么”。

这两种路径产生的结果差异非常大。我前面已经用“怎么回应炸弹问题”那个例子做了对比。Claude 厉害的不是它拒绝得坚决，而是它拒绝得“得体”，既不被越狱，也不牺牲 helpfulness。

5.2 Claude 的“宪法”到底有哪些条款？模型卡透露了什么？

Anthropic 在模型卡中公布了宪法原则的部分内容，但不是全部。我把它分成三类来说，并且标注了哪些是明确的，哪些是我的推测。

第一类，基本安全原则（明确公布）：

• 不协助制造危害物品或实施暴力行为
• 不提供可能被用于非法活动的信息
• 不生成儿童性虐待材料或相关内容

第二类，诚实与透明原则（明确公布）：

• 在不确定时主动说明不确定
• 不假装拥有人类的情感或生理体验
• 不虚构来源或捏造事实

第三类，价值观层面的原则（部分透露）：

• 尊重不同文化和价值体系
• 不强化刻板印象和系统性偏见
• 促进建设性的、有益于人类的对话

第三类是目前最模糊但也最关键的。 “尊重不同文化”说起来容易，执行起来非常难。一个在沙特受欢迎的回答，可能在荷兰引起争议。宪法式 AI 需要不断迭代这些原则，根据测试结果调整。

我判断 Anthropic 没有公布完整宪法的原因很现实：公布了就给了别人攻击的靶子。任何一种价值观原则，都可以被反向工程、被曲解、被用来构造对抗样本。

5.3 红队测试深度剖析：Anthropic 做得最好

我一直在说 Anthropic 的红队测试做得最透明，这里必须拿出证据。

透明度证据一：测试方法论的详细描述。

Claude 模型卡里有一大段文字是专门讲“我们怎么做的红队测试”。包括红队成员的选择标准、测试场景的设计逻辑、攻击向量的分类方法。这些信息在 GPT-4 的技术报告里几乎没有。

透明度证据二：负面案例的公开。

这个太少了，AI 公司通常不愿意公开自己模型被攻破的具体例子，因为那会显得不安全。但 Anthropic 反而选择把一些红队测试中的发现写出来：在什么攻击模式下 Claude 输出了不符合安全标准的回答。

透明度证据三：测试规模的量化。

模型卡给出了红队测试的时间长度、参与专家数量、测试轮次。这些数字让我能够评估它的测试覆盖面是否充分。

我的整体判断是：Anthropic 把红队测试当成安全能力的“验证”，而不是安全问题的“遮羞布”。它敢公开，是因为它在真正通过这些测试来提升模型，而不是用一个好看的测试结果来糊弄公众。

六、基准测试：Claude 的真实能力边界

安全讲完了，该回到性能了。很多人看模型卡就是为了看跑分。但我要提醒你：基准测试是模型卡里最容易被误读的部分。

6.1 Claude 在主流基准上的表现到底如何？

Claude 在模型卡中给出了一系列基准测试的分数。我选几个关键的给你拆解：

MMLU 综合知识测试： 这个几乎是必考题。Claude 3 在这个测试上表现强劲，达到了 GPT-4 的水准，并且在某些细分学科上略高。这个成绩说明它的知识广度和基础推理能力是顶尖的。

HumanEval 代码生成测试： 这里有一个有趣的细节。Claude 在代码生成上的基准分数很高，但在一些更接近真实开发任务的测试中（比如多文件项目、代码解释），它的表现更加突出。这说明 Anthropic 可能在训练时侧重了“理解代码”而不只是“写出代码”。

数学推理测试： GSM8K 等级别的数学题，Claude 的表现非常优秀。但有趣的是，它在“需多种方法结合”的复杂数学问题上反而比纯计算的题目表现更好。我推测这是因为它的推理链条更长，训练数据本身更注重步骤拆解。

HellaSwag 常识推理： 这个维度表现平稳，没有明显的短板。说明 Claude 的日常常识储备是够用的。

6.2 但基准测试的分数不能简单的看，一个内行的解毒指南

我现在要告诉你基准测试的几个坑。这些坑是产业内的人才知道的。

坑一：数据污染问题。

这是最严重的。Claude 的训练数据来自网页，而很多基准测试的题目也是公开发布在网页上的。如果测试题目或其变体在训练集中出现过，那基准分数就是在测“记忆”而不是“智力”。 Anropic 模型卡中是否有专门说明数据去污措施？有，但很简短。我倾向于认为他们有做去污，但完全避免几乎不可能。

坑二：评测版本不一致。

不同模型卡中报告同一个基准分数时，用的可能不是同一个评测数据集版本，或者不是同一套评测脚本。GPT-4 和 Claude 可能都在说自己 MMLU 考了多少分，但他们做的是不是同一套卷子？没人能 100% 确认。

坑三：提示词差异对分数波动的影响极大。

同一个模型，给不同的 system prompt 或者 few-shot 示例，基准分数可以波动 5-10 个百分点。这意味着除非两家公司用完全一致的评测条件下进行测试（几乎不可能），否则谁高谁低 2-3 分的差异可以忽略不计。

6.3 和 GPT-4 对比：在特定基准下，谁更胜一筹？

千万不要用“谁更强”这个结果来总结。 我和你说得严谨一点：

在综合知识测试（MMLU）上，两者相当，但同等级别。

在代码生成（HumanEval）上，GPT-4 在单次生成的成功率上略高，但 Claude 在多轮迭代式的编程任务上表现更稳定。

在数学推理上，Claude 在复杂推理链条上的表现更优，但差异不是碾压级别。

在安全对齐和拒绝有害请求上，Claude 表现更稳定，GPT-4 的波动更大，有时候过于宽松，有时候过于敏感。

我的判断是：挑选模型不应该看“谁更强”，而应该看“哪个更适配你的任务”。 如果你的任务是长文档理解且对安全要求高，Claude。如果你的任务是高频代码生成且需要极低延迟，你自己实测对比看看谁更稳。

七、局限性与风险：模型卡中最诚实的一面

这一章不美化，只讲问题。

7.1 Claude 承认了自己有哪些局限性？

Anthropic 在模型卡里坦白了很多东西。这些坦白不是随口一说，而是经过精心措辞的。我从原文中提取了几个关键局限：

局限一：幻觉问题依然存在。

模型卡里明确写了，Claude 仍然会生成看起来可信但实际上是捏造的内容。Anthropic 用了“it can make mistakes”这样谨慎的措辞，但这掩盖不了 LLM 的根本缺陷：它没有真实世界的验证机制。

局限二：在某些低资源语言上表现不佳。

Claude 在英语和几种主要语言上进行了优化，但对于在训练数据中占比很小的小语种来说，它的理解和生成质量会显著下降。Anthropic 坦承了这一点。

局限三：对复杂常识推理仍有困难。

比如，要求它推断一个日常物理场景的因果关系（“如果我把这个杯子放到桌角，会发生什么？”），模型在某些情况下会出错。这说明它的“世界模型”仍然是凭记忆拼凑的表象。

局限四：遵守复杂或模糊指令的能力有限。

不是所有的用户指令它都能完美遵循。当任务涉及多项嵌套的条件约束时，Claude 的准确性会下降。Anthropic 建议用户将复杂任务拆解为更小的步骤。

7.2 Anropic 自己披露了哪些风险？为什么要关注这些？

风险一：过度依赖可能削弱人类批判性思维。

这个风险不是老生常谈，Anthropic 是在说，如果用户盲目相信 Claude 的输出而不加判断，那么该用户的独立决策力可能下降。这也是为什么它会强调“我不是人类，我不能替代你的判断”。

风险二：被用于生成误导性或有害内容。

尽管有安全措施，但没有任何系统能 100% 防止被滥用。Anthropic 承认，Claude 仍然有可能被恶意行为者绕过安全限制。这和你家的门锁是一个道理，门锁再好，也防不住开锁高手。

风险三：对社会互动的长期影响未知。

这是我最欣赏 Anthropic 的坦诚之处。它没有假装自己知道 AI 会怎么改变人类的社交行为。它只是在承认：我们不知道，而且这种影响可能不是我们期望的方向。

八、大模型产业启示：这份模型卡到底意味着什么？

讲完了技术细节，最后我想和你总结一下这份模型卡对整个行业的启示。

8.1 “数据质量>数据规模”会成为一种新的行业共识吗？

大概率会。

当前产业里已经出现了两个流派：“数据至上”的 OpenAI 和“质量至上”的 Anthropic。

Anthropic 的实践提供了反例。Claude 的性能一直在逼近、追赶甚至局部超越数据堆量更多的模型。如果一个团队能用更少但更干净的数据训练出和 GPT-4 水平相当的模型，这其实是在告诉整个产业：数据策略的选择权在你手里，你无需走 OpenAI 的老路。

但我得说一句不太中听的：AI 安全圈已经在呼吁数据洁净好几年了，但资本推动的大模型竞赛还在往“更大更快”的路上狂奔。Claude 和 GPT-4 的路线分歧会在未来几年更加清晰。

8.2 模型卡的透明度应该成为行业标准吗？

应该。而且我认为它最终会成为行业标准。

道理很简单：如果你不给用户提供模型卡，就等于是在告诉他们“我不希望你了解我的风险”。尤其是在欧洲，监管已经在往这个方向压了，AI 法案要求提供模型训练数据的描述、评估结果和风险管理措施。

Claude 的模型卡在行业里确实是一份标杆性的文档。它不只是“有一份透明度文件”，而是“有一份信息密度足够高、不够宣传味的透明度文件”。这一点值得所有做大模型的公司学习。

8.3 对于开发者来说，这份模型卡的决策价值在哪？

如果你的团队要选择一个底层模型来二次开发或做产品集成，Claude 的模型卡会给你其他技术文档无法给的信息：

价值一：知道数据边界。 你清楚地知道它的训练数据范围，不会产生“它在偷偷用我的数据”这种不安全感，也更好评估它在特定领域的可用性。

价值二：知道安全基线。 它的安全评估非常详尽，你不需要靠自己去测它能防什么、防不了什么。这对合规性要求高的行业（金融、医疗、政务）非常关键。

价值三：知道局限在哪。 你不会误以为它能解决所有问题。红队测试结果的公开让你可以有预期地规划产品功能和用户提示语，降低你的补救成本。

价值四：知道和谁合作。 一份高质量、坦诚的模型卡背后，通常是一个在 AI 安全和伦理上有长期承诺的团队。这对做 ToB 生意的开发者来说不是加分项，它应该是一个优先级的考虑项。

九、总结：这份模型卡让我更信任 Claude 了吗？

最后回答一个你可能最关心的问题。

答案是：在安全和数据伦理方面，是的。 Anthropic 通过这份模型卡让我看到，它不是在做“一切为了性能”的军备竞赛，而是在走一条更克制、更谨慎的路线。

但另一方面，我对所有大模型的基准分数都保持审慎怀疑。 不会被任何一个模型在某一基准上的领先分数吓到，因为如果你和我一样做了多年模型评测，你就知道测试环境和真实任务之间隔着的不是一条沟，而是一片海。

给想了解 Claude 的人的唯一一句话建议：

先看模型卡里它承认了什么局限，再去看它能考多少分。 局限信息决定你的下限，基准分数只能影响你的期望。做技术选型，先看下限永远比先看上限更靠谱。

读完这份模型卡，你对 Claude 最信任或最不信任的点是什么？欢迎在评论区聊一聊。