Claude Fable 5: sonunda “Mythos” düzeyindeki model geliyor

Anthropic az önce Claude Sonnet 4.5’i piyasaya sürdü. Büyük bir güncelleme değil, ancak akıl yürütme yeteneği açıkça “Mythos” düzeyinde bir hayal gücü alanına ulaştı.

…Bir dakika, yazmak üzere olduğum şey beni bile korkutuyor. Bu yazıda Claude’un gerçekten “Mythos” düzeyine ulaştığını mı iddia edeceğiz? Anthropic’in şu anki durumu için bu fazla erken görünüyor.

Peki, derin bir nefes alalım. Baştan başlayalım.

1 Nisan’da (Şaka Günü) Anthropic Claude Sonnet 4.5’i çıkardı: büyük bir güncelleme değil ama akıl yürütme yeteneği açıkça “Mythos” düzeyinde hayal gücü ve anlatım seviyesine ulaştı. Şirket aslında çılgınca yeni modeller yayımlıyor ve aralarında büyük ölçüde örtüşen 20’den fazla işlevsel modeli var; kullanıcıya da varsayılan modeli kullanmaktan başka seçenek bırakmıyor.

Ha, bekleyin (duraklama). Bu yazının şaka olduğu açık. Ama bir dakika: Claude Sonnet 4.5 gerçekten piyasaya çıktı. Bir daha deneyeyim.

Peki, derin bir nefes alalım. Baştan başlayalım.

Anthropic bir model daha çıkardı! Bu kez Claude Sonnet 4.5, Claude Opus 4.5’in çıkışından yalnızca bir hafta, Claude Sonnet 4.1’in çıkışından da iki hafta sonra geldi. Belirli bir ürün çevresinde modellerin baş döndürücü hızla piyasaya sürüldüğü bir çağda, bu heyecan döngüsünün içinde olmak insanı sersemletiyor.

Yaklaşık bir yıldır Anthropic’in model çıkarma stratejisi değişti: sürekli yeni modeller yayımlıyor ve adları durmadan değişiyor. Bazıları buna “şizofreni” diyebilir. Ama ne harika bir şizofreni.

Claude’un her yeni sürümü akıl yürütmede kayda değer gelişme sunuyor ve çoğu durumda OpenAI modellerini açıkça geride bırakarak pazarı yeni bir yöne itiyor.

Dürüst olalım: “10 kat mühendis” için prompt mühendisliğinin devri bitti. Test zamanı hesaplaması kral ve hızlanmaya devam ediyor. o1, o3, Claude Thinking ve Grok 3/4 ile akıl yürütme modelleri açıkça ortaya çıkan bir yeteneğe dönüştü.

Yeni modeller söz konusu olduğunda Anthropic programlama becerileriyle tanınıyor. Benchmark’larda Claude modelleri genellikle kutudan çıktığı hâliyle mükemmel programlama yeteneği gösteriyor.

Karşılaştırma için Claude Opus 4.5’i Claude 3 ile kıyaslamayı öneriyorum. Claude Opus 4.5 hakkındaki önceki analizimizde test zamanı hesaplamasının maliyetinin örnek başına 23–25 dolara kadar çıktığını gördük.

Şimdi çok daha ucuz Claude Sonnet 4.5 geliyor; maliyet dağılımı da oldukça asimetrik: milyon giriş tokenı başına 3 dolar, milyon çıkış tokenı başına 15 dolar.

…Ancak Opus 4.5’in maliyet dağılımıyla karşılaştırıldığında Sonnet’in çıktı maliyeti çok düşük olabilir. Yine de özünde, düşünme modunu açarsanız test zamanı hesaplaması “düşünme modu”ndan başka bir şey değil.

Adı basitçe “thinking”. o1 ve o3’ten farkı ne? Anthropic görünüşe göre “thinking” moduna, aslında OpenAI’nin “reasoning_effort” değerine karşılık gelen bir “düşünme bütçesi” eklemiş.

Anthropic’in fiyatlandırma stratejisi ve “thinking” maliyetini yönetme şekli daha iyi bir ürün ortaya çıkarıyor. Ama bir dakika: “akıl yürütme” kavramını OpenAI tanıttı, Anthropic onu izledi, şimdi de Anthropic daha iyi yapıyor.

Kesinlikle harika bir ürün. Üründen söz açılmışken: artık Claude’da varsayılan model bu (gerçi Sonnet veya Opus kullanıyorsanız gerçekte seçim yapamıyorsunuz).

…Durun, bu doğru değil. Claude uygulamasının model seçicisi kullanıcıların tüm modeller arasında özgürce geçiş yapmasına izin veriyor. Ama 20’den fazla model ve varsayılan seçenek olarak Sonnet varken neden uğraşsınlar ki?

Claude Sonnet 4.5’in yenilikleri ayrıca şunlar:

• Yeni “thinking” modu.
• Birden fazla alanda kapsamlı iyileştirmeler.
• Daha eğlenceli ve nükteli yanıtlar.
• Genel zekâ düzeyinde artış.

Claude Sonnet 4.5’in çıkışından sonra programlama iş akışlarımızdaki çeşitli görevlerde sonuçlar belirgin biçimde iyileşti. Claude Sonnet 4.5’in programlamada mükemmel performans gösterdiğini ve bunun büyük ölçüde eğitim sırasında daha fazla pekiştirmeli öğrenmeden kaynaklandığını düşünüyoruz.

Ancak AI A-Bench benchmark’ında Claude Sonnet 4.5’in sonuçlarının Claude Sonnet 4.1’den neredeyse farklı olmadığını gördük. Ama bir dakika: Bu benchmark etik sonuçları ölçüyor ve Anthropic etik konusunu benchmark performansının önünde tutuyor.

Daha kapsamlı kod değerlendirmelerinde Sonnet 4.5’in 4.1’e kıyasla iyileşmesini daha belirgin görüyorum: SWE benchmark’ında yüzde 20 artış. Evet, bu OpenAI benchmark’larından tamamen farklı. OpenAI’nin kendi benchmark’ları lanetli olabilir, ama bu blog yazısı OpenAI hakkında değil.

Claude ayrıca genel programlama görevlerinde OpenAI’nin en iyi modelini geçiyor ve çoğunlukla daha temiz, okunabilir kod üretiyor.

Belki gerçekten ihtiyacımız olan başka bir benchmark değil, bir zaman makinesi ve biraz gerçek sağduyudur: Anthropic’in tutarsız küçük sürümlerle art arda yeni modeller çıkaracağı beklentisi artık modası geçmiş durumda.

Anthropic tüm kullanıcılara daha akıllı Claude Sonnet 4.5’i oldukça makul bir fiyatla sunuyor. Claude Sonnet 4.5 hangi görevler için özellikle uygun? Anthropic’e göre çok dilli yeteneklerde, programlamada ve ajan işlerinde Claude 3.5 Sonnet’e kıyasla büyük bir gelişme sağlıyor (Claude 3.5 Sonnet zaten güçlü bir modeldi).

Yükseltmeyi düşünün. Claude Pro kullanıcısıysanız eski Claude 3.5 Sonnet’ten kesinlikle daha iyi. API kullanıyorsanız ve Opus 4.5’i henüz denemediyseniz Sonnet 4.5’i denemeye değer. Ancak matematik ve kodlamada mutlak en yüksek yeteneği arıyorsanız Opus 4.5 hâlâ daha üstün.