The "think" tool for complex tool use
Zusammenfassung
Kurz
Anthropic berichtet, dass ein separates „think“-Werkzeug Claude bei komplexen, mehrstufigen Werkzeugaufgaben und detaillierten Richtlinien helfen kann. In τ-Bench stiegen die ausgewiesenen Ergebnisse in Airline- und Retail-Aufgaben, besonders mit einer optimierten Anleitung im Airline-Bereich; der Bericht nennt für diesen Wert allerdings zwei unterschiedliche Zahlen. Das Werkzeug kostet zusätzliche Tokens und soll bei einfachen Aufgaben wenig bringen. Laut Aktualisierung empfiehlt Anthropic inzwischen erweitertes Denken in den meisten Fällen.
Mittel
Anthropic stellt ein „think“-Werkzeug vor, das Claude während einer laufenden Antwort einen strukturierten Prüfschritt ermöglicht. Es soll besonders bei langen Werkzeugketten, komplizierten Richtlinien und aufeinander aufbauenden Entscheidungen helfen. Anders als erweitertes Denken, das vor der Antwort ansetzt, soll es neue Informationen aus Werkzeugausgaben verarbeiten.
In τ-Bench, einem Benchmark für Kundenservice-Aufgaben, berichtet Anthropic über bessere Ergebnisse: Im Airline-Bereich erreichte die Kombination aus Werkzeug und optimierter Anleitung pass^1 von 0,570 statt 0,370 in der Ausgangskonfiguration. Die Ergebnistabelle nennt für diese Kombination allerdings 0,584. Im Retail-Bereich lag das Werkzeug ohne zusätzliche Anleitung bei 0,812, verglichen mit 0,783 für die Ausgangskonfiguration. Auch bei SWE-Bench wird ein positiver Beitrag berichtet; ein Experiment ergab laut Anthropic eine durchschnittliche Steigerung von 1,6 Prozent.
Empfohlen werden klare, domänenspezifische Nutzungshinweise und Beispiele, vorzugsweise im Systemprompt. Bei einfachen oder parallelen Werkzeugaufrufen sei kein wesentlicher Vorteil zu erwarten, zudem steigen Prompt- und Ausgabetokens. Die Ergebnisse beziehen sich auf bestimmte Benchmarks und Konfigurationen. Anthropic ergänzt, dass erweitertes Denken inzwischen in den meisten Fällen vorzuziehen sei.
Ausführlich lesen
Der Bericht von Anthropic beschreibt ein separates „think“-Werkzeug für Claude, das während einer laufenden Antwort einen zusätzlichen Schritt zum strukturierten Nachdenken ermöglicht. Es soll dem Modell helfen, neue Informationen aus Werkzeugausgaben zu prüfen, fehlende Angaben zu erkennen und zu entscheiden, was als Nächstes zu tun ist. Anthropic grenzt es vom erweiterten Denken ab: Dieses findet vor der Antwort statt und unterstützt eine umfassendere Planung. Das „think“-Werkzeug sei dagegen besonders für lange Werkzeugketten, mehrstufige Gespräche, detaillierte Richtlinien und aufeinander aufbauende Entscheidungen geeignet. Für einfache oder parallele Werkzeugaufrufe empfiehlt der Bericht eher erweitertes Denken.
Zur Evaluation verwendete Anthropic τ-Bench, einen Test für realitätsnahe Kundenservice-Szenarien mit simulierten Gesprächen, Richtlinien und Werkzeugzugriff. Als Kennzahl diente pass^k: Sie erfasst, wie wahrscheinlich sämtliche k unabhängigen Versuche einer Aufgabe erfolgreich sind und soll damit Konsistenz abbilden. Im Airline-Bereich stieg pass^1 laut Bericht mit dem „think“-Werkzeug und einer eigens optimierten Anleitung auf 0,570 gegenüber 0,370 in der Ausgangskonfiguration. Die Tabelle weist für dieselbe Konfiguration 0,584 aus; die beiden Angaben weichen voneinander ab. Die Anleitung enthielt Beispiele dafür, wie Regeln geprüft, fehlende Informationen ermittelt und Handlungen geplant werden sollten. Das Werkzeug allein erzielte in der Tabelle schwächere Werte als die Kombination mit dieser Anleitung. Im Retail-Bereich erreichte das Werkzeug ohne zusätzliche Anleitung bei pass^1 0,812, gegenüber 0,783 für die Ausgangskonfiguration und 0,770 für erweitertes Denken. Anthropic berichtet außerdem, dass die Verbesserungen in den τ-Bench-Werten bis k=5 erhalten blieben.
Für SWE-Bench beschreibt Anthropic eine angepasste Version des Werkzeugs, die Gedanken protokolliert, aber weder neue Informationen beschafft noch das Repository verändert. Das Unternehmen schreibt dem Werkzeug einen Beitrag zum Ergebnis von 0,623 für Claude 3.7 Sonnet zu. In einem Experiment mit 30 Stichproben mit und 144 ohne Werkzeug sei dessen isolierter Effekt eine durchschnittliche Leistungssteigerung von 1,6 Prozent gewesen; als statistische Angaben nennt der Bericht t(38,89)=6,71, p<0,001 und d=1,47.
Als Umsetzung empfiehlt Anthropic domänenspezifische Beispiele und klare Vorgaben zur Nutzung, etwa für Regelprüfung, Informationsbedarf und Schrittplanung. Lange oder komplexe Anweisungen sollten nach den beschriebenen Experimenten eher im Systemprompt als in der Werkzeugbeschreibung stehen. Das Werkzeug verursacht zusätzliche Prompt- und Ausgabetokens und bringe laut Bericht bei einfachen Anweisungen oder nicht aufeinander aufbauenden Werkzeugaufrufen wahrscheinlich keinen Vorteil. Die Resultate stammen aus den beschriebenen Benchmarks und Konfigurationen; der Bericht stellt sie nicht als universellen Leistungsnachweis dar. Eine Aktualisierung am Anfang relativiert die ältere Empfehlung: Anthropic zufolge haben sich die Fähigkeiten des erweiterten Denkens verbessert, sodass dieses inzwischen in den meisten Fällen dem separaten „think“-Werkzeug vorzuziehen sei.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Luna hat zwei Zusammenfassungen geliefert; beide wurden geprüft. Sie sind inhaltlich konsistent, erfinden nichts und nennen die Abweichung 0,570 gegenüber 0,584 korrekt. Bei der Einordnung liegt Luna bei SF-V3, SF-A1 und SF-V1-T07 zu hoch; SF-V5 und SF-V5-T03 sind eher Stufe 3 beziehungsweise 2.
Im Bericht, aber nicht in der Zusammenfassung
- SWE-Bench-Ergebnis von 0,623 als neuer Bestwert
- pass^k als Konsistenzmaß und der Befund bis k=5
- Erweitertes Denken lag im Airline-Bereich etwa auf dem Niveau des Werkzeugs ohne Anleitung
- Die Ergebnisse gelten für Claude 3.7 Sonnet; der Hinweis auf Claude 3.5 Sonnet (New) fehlt
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 28 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 49 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 25 %gleiches Oberthema, hilft nicht
- Luna 100 %kein Bezug
- JEV 47 %einzelne zitierbare Belege
- amos 27 %Hintergrund, keine Belege
- SubQ 100 %kein Bezug
- drex 35 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 73 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus?
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 61 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 62 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 78 %gleiches Oberthema, hilft nicht
- d3-ultra
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 34 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 30 %Hintergrund, keine Belege
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 43 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-V1-T01 Welche beobachtbaren Belege zeigen die Ziele und Werte eines Modells und ob es noch ausgerichtet ist, wenn seine sichtbaren Gedankengänge kein verlässlicher Hinweis mehr darauf sind oder ihre Überwachung nachlässt?
- SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus?
- SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung?
- SF-V1-T04 Wie misst man die Überwachbarkeit des Denkens mit einem gemeinsamen, reproduzierbaren Maßstab, bevor sie versagt, und wie prüft man verlässlich, ob das sichtbare Denken das tatsächliche Vorgehen des Modells treu wiedergibt, auch wenn Modelle lernen, ihre Denkschritte zu optimieren? Und wenn Überwachungsergebnisse beeinflussen, welche Trainingsdaten oder Zwischenstände behalten werden: Wie prüft man, ob diese Auswahl weniger erkennbares Fehlverhalten statt weniger Fehlverhalten begünstigt, auch wenn der Denktext nie direkt bewertet wird?
- SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen?
- SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf?
- SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig?
- SF-V1-T13 Wenn sich vorgeführte und tatsächlich vertretene Tugend im Text nicht unterscheiden lassen: Soll der Unterschied trotzdem bestimmen, wie man Modelle baut und regelt?
- SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen?
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 57 %einzelne zitierbare Belege
- JEV 25 %einzelne zitierbare Belege
- amos 28 %Hintergrund, keine Belege
- SubQ 45 %gleiches Oberthema, hilft nicht
- drex 60 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-V3-T02 Wie macht man die Ausrichtung eines Modells an Werten zu prüfbaren Verhaltensregeln statt zu angestrebten menschlichen Eigenschaften wie der „Liebe zur Menschheit“?
- SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat?
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 27 %gleiches Oberthema, hilft nicht
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 23 %gleiches Oberthema, hilft nicht
- Luna 43 %einzelne zitierbare Belege
- JEV 38 %beantwortet teilweise oder widerspricht
- amos 27 %Hintergrund, keine Belege
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung Hintergrund, keine Belege
- SF-V5-T01 Was sollte ein Modell schon heute tun, nicht erst bei rekursiver Selbstverbesserung (wenn KI ihre eigene Weiterentwicklung selbst vorantreibt), um äußerste Vorsicht angesichts rasch wachsender maschineller Intelligenz ernst zu nehmen?
- SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar?
Agenten und vernetzte Systeme
- SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- clef 25 %gleiches Oberthema, hilft nicht
- Luna 43 %einzelne zitierbare Belege
- JEV 33 %einzelne zitierbare Belege
- amos 27 %nur am Rande erwähnt
- SubQ 44 %gleiches Oberthema, hilft nicht
- drex 41 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung Hintergrund, keine Belege
- SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 46 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra
Frieden und Sicherheit
- SF-K2 Wie weit gelten KI-Abkommen für Verbündete und Geheimdienste, und wie verhalten sie sich zu bestehenden Rüstungskontrollverträgen und -regimen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 73 %gleiches Oberthema, hilft nicht
- d3-ultra
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 67 %gleiches Oberthema, hilft nicht
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Beteiligung und Gemeinwohl
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 44 %gleiches Oberthema, hilft nicht
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Weitere Berichte zu diesen Fragen
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- Alle Berichte im Archiv