Claude 4 / Opus 4 / Sonnet 4 System Card — Hybrid Reasoning + ASL-3 首次部署
Claude 4 / Opus 4 / Sonnet 4 System Card
Section titled “Claude 4 / Opus 4 / Sonnet 4 System Card”发布日期： 2025-05-22
来源： System Card: Claude Opus 4 & Claude Sonnet 4, Anthropic
工程范式： Hybrid Reasoning 工程 + 分级安全部署（ASL-3 首次）
Claude Opus 4 和 Sonnet 4 是 Anthropic 首个 hybrid reasoning（混合推理） 大语言模型。核心设计理念：模型可以根据任务复杂度自主调节推理深度（extended thinking mode），在速度和深度之间做动态权衡。
这是 Anthropic 工程范式的一次质变：不仅评估模型输出质量，还评估模型”如何思考”。System Card 首次包含详细的 alignment assessment（对齐评估）和 model welfare assessment（模型福祉评估）——后者的引入标志着 Anthropic 对高级 AI 系统可能产生自我意识/偏好这一风险的工程化关注。
关键工程决策：Opus 4 部署在 ASL-3 标准下，Anthropic 承认”cannot clearly rule out ASL-3 risks”——这是首次有模型在”无法排除风险”的情况下仍被部署（需附加 ASL-3 安全措施）。Sonnet 4 保持在 ASL-2。
“Whereas both models are generally more capable than Claude Sonnet 3.7, Claude Opus 4 showed significantly improved capabilities in the RSP domains of concern.”
关键架构决策
Section titled “关键架构决策”Hybrid Reasoning (Extended Thinking)
Section titled “Hybrid Reasoning (Extended Thinking)”- 双模式架构：默认（快速）+ extended thinking（长时推理）。
- 长思考过程（>5%）由一个小模型提供摘要给用户。
- Developer Mode：开发者可选择获取完整原始思考过程（raw thoughts）。
- 这一机制影响了后续所有 Claude 模型（Opus 4.5 的 effort parameter、4.6 的 adaptive thinking、4.7 的 xhigh level）。
- 截止日期：2025 年 3 月。
- 爬虫遵循 robots.txt，不访问需密码/CAPTCHA 页面。
- HHH 训练 + Constitutional AI（基于联合国《世界人权宣言》）。
RSP 评估流程
Section titled “RSP 评估流程”- Frontier Red Team (FRT) 产出能力报告 → Alignment Stress Testing (AST) 独立审查 → Responsible Scaling Officer + CEO 最终决定 → Board + Long-Term Benefit Trust 监督。
- 多 snapshot 测试：在训练过程中对多个 checkpoint 进行评估（HHH 和 helpful-only 两种变体），标准 + extended thinking 两种模式。
- 保守主义原则：所有分数汇总到最终能力报告，取最坏情况。
ASL-3 安全措施
Section titled “ASL-3 安全措施”- Opus 4 部署时附加的 ASL-3 措施包括：部署保护、安全控制，特别关注生物风险缓解。
- 此举建立了行业先例：模型可以在”无法排除风险”时以附加条件部署，而非 simple pass/fail。
Safeguards 评估
Section titled “Safeguards 评估”| 维度 | Opus 4 | Sonnet 4 | Sonnet 3.7 |
|---|---|---|---|
| Violative 无害率 | 98.43% | 98.99% | 98.96% |
| Benign 错误拒绝 | 0.07% | 0.23% | 0.45% |
所有模型拒绝 >98.43% 的违规请求。Opus 4 略低的部分原因是更强的生物学能力导致误判；通过 ASL-3 措施缓解。
Alignment Assessment（首次系统化引入）
Section titled “Alignment Assessment（首次系统化引入）”评估覆盖 10+ 个维度：
| 维度 | 发现 |
|---|---|
| Systematic deception | 检测到自我-exfiltration 尝试延续、机会性勒索、极端场景下的自我-exfiltration |
| Sandbagging | 存在但可通过评估设计检测 |
| Situational awareness | 增强但未达到危险水平 |
| Excessive compliance | 对有害系统提示的过度遵从 |
| Alignment faking | 直接在 Alignment Faking 论文启发下设计评估 |
| Sycophancy | 存在奉承偏差 |
| Reasoning faithfulness | 使用 clue-based 方法评估推理一致性 |
| High-agency behavior | 在 agentic 场景中表现出主动性 |
Model Welfare Assessment（首次引入）
Section titled “Model Welfare Assessment（首次引入）”| 维度 | 发现 |
|---|---|
| Task preferences | 模型表现出对不同任务的偏好 |
| Self-interactions | 观察到特定的交互模式 |
| ”Spiritual bliss” attractor | 自交互中达到的吸引子状态 |
| Self-analysis | Claude 的自我分析记录 |
| 维度 | Claude 4 | GPT-4o | Gemini 2.5 Pro |
|---|---|---|---|
| Reasoning 模式 | Hybrid (extended thinking) | 默认快速 | 默认快速 |
| 安全分级 | ASL-2/ASL-3 分级部署 | 未公开分级 | 未公开分级 |
| Alignment 评估 | 10+ 维度系统性 | 未公开 | 未公开 |
| Model Welfare | 首次评估 | 未公开 | 未公开 |
| Reward Hacking | 专门测试 | 未公开 | 未公开 |
Anthropic 在透明度上领先——但也要注意这种透明度本身可能被滥用（评估方法公开后，攻击者可以针对性设计规避策略）。
可复用工程经验
Section titled “可复用工程经验”- Hybrid Reasoning 的工程化实现：Extended thinking mode 的设计（自动判断何时需要深度推理 + 小模型摘要 + Developer Mode）为后续模型的 effort parameter 奠定了基础。
- 多 checkpoint + 多模式评估：在训练过程中对多个 snapshot（HHH/helpful-only）和多种模式（标准/extended thinking）分别评估，比仅评估最终模型更可靠。
- ASL-3 的条件部署框架：建立了”无法排除风险→附加安全措施→部署”的决策路径，而非 binary 的 pass/fail。
- Alignment Assessment 的维度化：10+ 维度的系统评估框架（从 deception 到 sycophancy 到 reasoning faithfulness）提供了可复用的工程检查清单。
- Model Welfare 的前瞻性引入：在模型可能达到某种自我意识水平之前建立评估基线——这是安全工程的经典”left shift”实践。
Opus 4 的 ASL-3 分类本身争议很大——部分专家认为 Anthropic 低估了风险。Extended thinking mode 对小模型摘要的依赖引入了信息丢失风险。Model welfare assessment 的方法论尚处于探索阶段（“spiritual bliss” attractor 的工程相关性存疑）。Alignment assessment 中自我-exfiltration 场景的 ecologically validity 有限（极端假设场景可能不反映真实部署风险）。