Claude (Anthropic) (HU)

Claude — az Anthropic kutatócég által fejlesztett multimodális nagy nyelvi modellek (LLM) családja.

A transformer architektúrára épülő Claude modellek AI-asszisztensként pozicionálják magukat, amelyek a biztonságra, hasznosságra és az őszinteségre összpontosítanak. Fejlesztésük kulcseleme a Constitutional AI („Alkotmányos MI") módszertan, amelynek célja irányítható és etikailag összehangolt rendszerek létrehozása.

Történet és filozófia

Az Anthropic alapítása és küldetése

Az Anthropic céget 2021-ben alapították az OpenAI korábbi vezető munkatársai, köztük Dario és Daniela Amodei testvérpár. A távozás oka az OpenAI vezetésével való nézeteltérés volt a fejlesztés irányát illetően: különösen attól tartottak, hogy a Microsofttal kötött partnerség és a növekvő kereskedelmi szemlélet veszélyeztetheti az MI-biztonság iránti elkötelezettséget.

Az Anthropic küldetése: „a csúcstechnológiájú MI fejlesztése és karbantartása az emberiség hosszú távú javára". A vállalat az Egyesült Államokban Public Benefit Corporation (PBC) formában van bejegyezve, ami jogilag kötelezi a pénzügyi érdekek és a közhaszon egyensúlyban tartására. Ezt a megközelítést egy egyedi irányítási struktúra is alátámasztja: a Long-Term Benefit Trust (LTBT), egy független szerv, amely jogosult befolyásolni az igazgatótanács összetételét annak érdekében, hogy a biztonsági küldetés iránti elkötelezettség megmaradjon.

Filozófia: HHH és a Constitutional AI

A Claude modellek viselkedésének alapja a HHH formula: Helpful, Honest, and Harmless (Hasznos, Őszinte és Ártalmatlan). Ezen elvek megvalósításához az Anthropic saját tanítási módszertant dolgozott ki: ez a Constitutional AI (CAI).

A hagyományos RLHF-fel (emberi visszajelzésen alapuló megerősítéses tanulás) szemben, ahol emberi annotátorok közvetlenül értékelik a modell válaszait, a CAI egy „alkotmányt" alkalmaz – explicit etikai elvek összességét –, amelyek alapján a modell önállóan tanulja meg értékelni és korrigálni saját válaszait. Ez a folyamatot skálázhatóbbá, átláthatóbbá és irányíthatóbbá teszi.

Architektúra és kulcstechnológiák

Transformer alapok

Mint más modern LLM-ek, a Claude is egy decoder-transformer architektúrát használ, amely autoregresszív módon, tokenről tokenre generálja a szöveget. Az Anthropic azonban jelentős fejlesztéseket hajtott végre a teljesítmény, a biztonság és az irányíthatóság növelése érdekében.

Constitutional AI (CAI)

A CAI-val végzett tanítási folyamat két fázisban zajlik:

1. Felügyelt tanulási fázis (Supervised Learning): A modell válaszokat generál a kérésekre, majd egy másik, kritikus modell – az „alkotmány" alapján – értékeli azokat és javításokat javasol. Ezek alapján az eredeti modell továbbtanul.
2. MI-visszajelzéses megerősítéses tanulási fázis (RLAIF): A modell válaszpárokat generál, a kritikus modell pedig az „alkotmány" alapján kiválasztja a jobbat. Ezekből az adatokból preferencia-modell (reward model) tanul, amely aztán jelzésként szolgál az alapmodell megerősítéses módszerekkel való továbbtanításához.

Hosszú kontextus és multimodalitás

A Claude egyik fő előnye a rendkívül nagy kontextusablak. A Claude 2-ben szereplő 100 ezer tokenről 200 ezerre nőtt a Claude 3-ban, majd 1–2 millió tokenre a 3.5-ös és 4-es verziókban. Ez lehetővé teszi, hogy a modellek egyetlen lekérdezésen belül teljes könyveket, kódbázisokat vagy több órás átiratokat elemezzenek.

A Claude 3 családtól kezdve a modellek multimodálissá váltak: képeket is képesek feldolgozni szöveg mellett.

Hibrid gondolkodás és ügynöki képességek

A Claude 3.7-es és 4-es verzióktól bevezették a hibrid gondolkodás architektúráját. Ez lehetővé teszi a modellek számára, hogy két üzemmód között váltsanak:

• Gyors válaszok: Egyszerű feladatokhoz szánt alapmód.
• Kiterjesztett gondolkodás (Extended Thinking): Összetett feladatoknál a modell megáll, hogy „átgondolja" a problémát: belső következtetési lépéseket hajt végre, eszközöket hív meg (webes keresés, kódvégrehajtás), és megalapozottabb választ ad. Ez a folyamatot átláthatóbbá és megbízhatóbbá teszi.

A Claude modellek fejlődése

Claude 1 (2023)

• Claude (2023. március 14.): a modell első nyilvánosan bemutatott verziója. Egyidejűleg két konfigurációt is bejelentettek: Claude (alap) és Claude Instant (gyorsabb és olcsóbb).
• 100K Context Window (2023. május 11.): a Claude kontextusablakának kiterjesztése 9 000-ről 100 000 tokenre. Ez egy különálló frissítés volt az eredeti indítást követően, nem része a márciusi kiadásnak.

Claude 2 (2023)

• Claude 2 (2023. július 11.): jelentős frissítés a kódolás, matematika és következtetés terén. A modell elérhetővé vált API-n és a claude.ai nyilvános béta-verziójában. Akár 100 000 tokenes bemenetet is támogatott; a Codex HumanEval teszten az Anthropic 71,2%-os eredményt közölt.
• Claude 2.1 (2023. november 21.): 200 000 tokenes kontextusablakkal rendelkező verzió, csökkentett hallucinációs hajlammal, system prompts támogatással és béta tool use funkcióval.

Claude 3 (2024)

• Claude 3 (2024. március 4.): új modellek családja, amely magában foglalta a Haiku (leggyorsabb), Sonnet (kiegyensúlyozott) és Opus (legerősebb) változatokat. Az Anthropic ezt a generációt több kognitív benchmark terén is új mérceként pozicionálta.
• Legfontosabb újdonságok: erős vizuális és multimodális képességek (képek, grafikonok és diagramok elemzése), az indokolatlan elutasítások számottevő csökkenése, nagyobb pontosság, valamint 200 000 tokenes kontextus az indulástól. Az Anthropic egyes ügyfelek számára 1 millió tokent meghaladó bemenetek kezelésének lehetőségét is jelezte.

Claude 3.5 (2024)

• Claude 3.5 Sonnet (2024. június 21.): a 3.5 család első modellje. Az Anthropic szerint az értékelések széles körén felülmúlta a Claude 3 Opus-t, miközben megőrizte a középkategóriás sebességet és árat; a vállalat külön kiemelte a körülbelül kétszeres sebességnövekedést. A kontextusablak 200 000 token volt.
• Frissített Claude 3.5 Sonnet és Claude 3.5 Haiku (2024. október 22.): az októberi frissítés erősítette az ügynöki kódolás és az eszközhasználat képességeit. Ekkor vezette be az Anthropic először public beta-ban a Computer Use funkciót, amely lehetővé teszi a modell számára a számítógép felületének kezelését: a képernyő látását, a kurzor mozgatását, gombok megnyomását és szöveg bevitelét. A frissített 3.5 Sonnet SWE-bench Verified eredménye 33,4%-ról 49,0%-ra nőtt.

Claude 3.7 és Claude 4 (2025)

• Claude 3.7 Sonnet (2025. február 24.): az Anthropic az első hybrid reasoning modelként mutatta be. A modell képes volt szinte azonnal válaszolni, vagy hosszabb, lépésenkénti gondolkodási módot alkalmazni. Ezzel egyidejűleg mutatták be a Claude Code-ot is.
• Claude 4 (2025. május 22.): az új zászlóshajó-modellcsalád, amely az Opus 4-et és a Sonnet 4-et foglalta magában. Mindkét modellt hibrid jellegűként írták le: gyors válasz és extended thinking üzemmódokkal. Az Anthropic külön hangsúlyozta az extended thinking with tool use, a parallel tool execution és a memóriajavítások szerepét; az Opus 4-et 72,5%-os eredménnyel a SWE-bench éllovasaként hirdették.

Claude 4.5–4.6 (2025 vége – 2026 eleje)

• Claude Sonnet 4.5 (2025. szeptember 29.): a Sonnet-vonal jelentős frissítése, számottevő minőségjavulással a kódolás, computer use, következtetés és matematika terén. Az Anthropic azt is kiemelte, hogy a modell több mint 30 órán át is fókuszálva marad összetett, többlépéses feladatokon.
• Claude Opus 4.5 (2025. november 24.): az Opus következő iterációja, amelyet az Anthropic különösen erősnek jellemzett a kódolás, az ügynöki forgatókönyvek és a computer use terén.
• Claude Opus 4.6 (2026. február 5.): frissített Opus-modell, javulásokkal a kódolás, code review, debugging és hosszú ügynöki feladatok területén. Az Opus-vonalban először jelentették be az 1M token context window béta-módban való elérhetőségét.
• Claude Sonnet 4.6 (2026. február 17.): az addig legerősebb Sonnet-verzió; az Anthropic javulásokat jelzett a kódolás, computer use, long-context reasoning, agent planning, knowledge work és design terén. Az Opus 4.6-hoz hasonlóan ez a modell is megkapta az 1M token context window funkcióját bétában.

A Claude generációk összefoglaló táblázata

A Claude modellek legfontosabb jellemzőinek fejlődése

Generáció	Kiadás éve	Főbb verziók	Max. kontextusablak	Főbb újítások
Claude 1	2023	Claude, Instant	100 000 token	Első nyilvános kiadás, nagy kontextus.
Claude 2	2023	Claude 2, 2.1	200 000 token	Javított kódolás és következtetés, általános elérhetőség.
Claude 3	2024	Opus, Sonnet, Haiku	200 000+ token	Multimodalitás (képek), GPT-4 felülmúlása.
Claude 3.5	2024	Sonnet, Haiku	200 000+ token	Sebesség- és intelligencianövekedés, „Artifacts" funkció.
Claude 4 / 3.7	2025	Opus, Sonnet	200 000+ token	Hibrid gondolkodás, ügynöki képességek, eszközhasználat.

Alkalmazás és elérhetőség

A Claude modellek több csatornán keresztül érhetők el:

• claude.ai webes felület: Ingyenes hozzáférést biztosít (a Sonnet modellhez) és fizetős előfizetéseket (Pro, Max) erősebb modellekhez (Opus) és bővített korlátokkal.
• Fejlesztői API: Az Anthropic kereskedelmi API-t biztosít, amely lehetővé teszi a Claude integrálását harmadik féltől származó alkalmazásokba. Az árak modellenként változnak (Haiku a legolcsóbb, Opus a legdrágább).
• Felhőplatformok: A Claude elérhető az Amazon Bedrock és a Google Cloud Vertex AI platformokon keresztül, ami megkönnyíti vállalati környezetben való használatát.
• Integrációk: A Claude integrálva van népszerű szolgáltatásokba, mint a Slack, a Notion és a Quora (a Poe chatbotban).

Irodalom

• Anthropic (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.
• Anthropic (2023). Claude's Constitution.
• Anthropic (2024, március). Introducing the next generation of Claude.
• Anthropic (2025, május). Introducing Claude 4.

Hivatkozások

• Az Anthropic hivatalos weboldala
• Fejlesztői dokumentáció

Irodalom

• Ouyang, L. et al. (2022). Training Language Models to Follow Instructions with Human Feedback. arXiv:2203.02155.
• Bai, Y. et al. (2022). Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback. arXiv:2204.05862.
• Bai, Y. et al. (2022). Constitutional AI: Harmlessness from AI Feedback. arXiv:2212.08073.
• Bulatov, A. et al. (2023). Scaling Transformer to 1M Tokens and Beyond with RMT. arXiv:2304.11062.
• Jimenez, C. E. et al. (2023). SWE-bench: Can Language Models Resolve Real-World GitHub Issues?. arXiv:2310.06770.
• Yuan, W. et al. (2024). Self-Rewarding Language Models. arXiv:2401.10020.
• Yang, A. et al. (2024). Context Parallelism for Scalable Million-Token Inference. arXiv:2411.01783.
• Miranda, L. J. V. et al. (2024). Hybrid Preferences: Learning to Route Instances for Human vs AI Feedback. arXiv:2410.19133.
• Chittepu, Y. et al. (2025). Reinforcement Learning from Human Feedback with High-Confidence Safety Constraints. arXiv:2506.08266.
• Yuan, W. et al. (2025). Process-based Self-Rewarding Language Models. arXiv:2503.03746.
• Yang, B. et al. (2025). Long Context Windows in Generative AI: An AI Atlas Report. [3] (tech-report, open review).