Anthropic lanza Claude 3.7 Sonnet, su primer modelo de razonamiento híbrido

Anthropic ha presentado este 24 de febrero Claude 3.7 Sonnet, al que describe como su modelo más inteligente hasta la fecha y, según la compañía, el primer modelo de razonamiento híbrido del mercado. La novedad no es solo que razone mejor, sino cómo lo hace: un único modelo capaz de contestar de forma casi instantánea o de detenerse a pensar paso a paso, mostrando ese proceso al usuario. Lo acompaña Claude Code, una herramienta de línea de comandos para delegar tareas de ingeniería directamente desde el terminal.

Un solo cerebro para responder rápido y para pensar despacio

La apuesta de Anthropic parte de una idea deliberadamente distinta a la del resto de laboratorios. En lugar de mantener un modelo aparte para razonar y otro para responder al vuelo, la compañía defiende que el razonamiento debe ser una capacidad integrada del propio modelo. La analogía que emplea es sencilla: igual que las personas usan un mismo cerebro para dar una respuesta rápida y para reflexionar en profundidad, un modelo de frontera debería hacer lo mismo.

En la práctica, Claude 3.7 Sonnet funciona como dos cosas a la vez. En su modo estándar es una versión mejorada del anterior Claude 3.5 Sonnet: contesta directamente. En el modo de pensamiento extendido, el modelo reflexiona antes de responder, lo que según Anthropic mejora su desempeño en matemáticas, física, seguimiento de instrucciones, programación y otras tareas. El usuario decide cuándo quiere una respuesta inmediata y cuándo prefiere que el modelo se tome su tiempo.

Esa decisión no es solo un interruptor de encendido y apagado. A través de la API, quien programa puede fijar un presupuesto de pensamiento: indicarle a Claude que no piense más de un número determinado de tokens, hasta el límite de salida de 128.000 tokens. Es un control fino que permite equilibrar velocidad y coste frente a calidad de la respuesta. Cuanto más se le deja pensar, más caro y lento, pero potencialmente mejor.

Menos olimpiadas, más trabajo real

Hay un matiz relevante en cómo Anthropic ha entrenado este modelo. Explica que ha optimizado algo menos para los problemas de competición de matemáticas e informática —esos retos tipo olimpiada que suelen presumirse en los anuncios— y ha desplazado el foco hacia tareas del mundo real que reflejan mejor cómo las empresas usan de verdad estos modelos.

Es una distinción que conviene subrayar. Buena parte de la carrera entre laboratorios se ha librado en tablas de récords sintéticos que impresionan pero dicen poco sobre el día a día. Priorizar el trabajo real supone reconocer que el valor de estos sistemas se mide en tareas concretas, no en puntuaciones de concurso.

Programación: donde más se nota el salto

El terreno en el que Claude 3.7 Sonnet muestra sus mejoras más claras es la programación y el desarrollo web de interfaz. Anthropic afirma que alcanza un rendimiento de estado del arte en SWE-bench Verified, un banco de pruebas que evalúa la capacidad de los modelos para resolver problemas reales de software, y también en TAU-bench, un marco que pone a prueba a los agentes de IA en tareas complejas con interacciones de usuario y herramientas.

Los elogios de empresas que lo han probado antes del lanzamiento apuntan en la misma dirección. Cursor señala que Claude vuelve a ser el mejor de su clase en tareas reales de programación, con mejoras notables en el manejo de bases de código complejas y el uso avanzado de herramientas. Cognition lo considera muy superior a cualquier otro modelo planificando cambios de código y gestionando actualizaciones de pila completa. Vercel destaca su precisión en flujos de trabajo de agentes complejos, Replit dice haberlo usado para construir desde cero aplicaciones web y paneles donde otros modelos se atascan, y Canva afirma que produce de forma consistente código listo para producción con menos errores.

Esa acumulación de testimonios de clientes es marketing, conviene tenerlo presente. Pero coincide con un dato repetido por Anthropic: desde mediados de 2024, Sonnet ha sido el modelo preferido por los desarrolladores. La programación se ha consolidado como el caso de uso donde estos modelos demuestran utilidad más medible.

Claude Code: un agente que vive en el terminal

El segundo anuncio es Claude Code, la primera herramienta de programación agéntica de Anthropic, que llega como vista previa de investigación limitada. La palabra clave es agéntica: no se trata de un asistente que sugiere fragmentos de código, sino de un colaborador que actúa.

Según la compañía, Claude Code puede buscar y leer código, editar archivos, escribir y ejecutar pruebas, confirmar y subir código a GitHub y usar herramientas de línea de comandos, manteniendo al desarrollador informado en cada paso. Anthropic asegura que ya se ha vuelto indispensable para su propio equipo en desarrollo guiado por pruebas, depuración de problemas complejos y refactorizaciones a gran escala. En sus pruebas iniciales, dice, completó de una sola pasada tareas que normalmente exigirían más de 45 minutos de trabajo manual.

El objetivo declarado del programa es aprender. Anthropic quiere entender cómo usan los desarrolladores Claude para programar y aplicar ese conocimiento a futuras mejoras del modelo. En las próximas semanas planea reforzar la fiabilidad de las llamadas a herramientas, añadir soporte para comandos de larga duración y mejorar la representación dentro de la aplicación.

Además, Anthropic ha mejorado la experiencia de programación en Claude.ai: su integración con GitHub pasa a estar disponible en todos los planes, lo que permite conectar los repositorios directamente al modelo para corregir errores, desarrollar funciones y elaborar documentación.

Precio y disponibilidad sin sorpresas

Un detalle que no suele acompañar a los saltos de capacidad: el precio se mantiene. Tanto en modo estándar como en pensamiento extendido, Claude 3.7 Sonnet cuesta lo mismo que sus predecesores, 3 dólares por millón de tokens de entrada y 15 dólares por millón de tokens de salida, cifra que incluye los tokens de pensamiento. Es decir, el razonamiento extendido consume tokens de salida y se factura como tales.

El modelo está disponible en todos los planes de Claude —Free, Pro, Team y Enterprise—, así como en la plataforma para desarrolladores de Anthropic, en Amazon Bedrock y en Vertex AI de Google Cloud. El modo de pensamiento extendido llega a todas las superficies salvo al nivel gratuito.

Seguridad: menos negativas, nuevos riesgos

Anthropic afirma haber sometido el modelo a pruebas extensas con expertos externos. Un cambio concreto: Claude 3.7 Sonnet distingue con más matiz entre peticiones dañinas e inofensivas, lo que reduce en un 45 % las negativas innecesarias frente a la versión anterior. Es una mejora práctica frente a un problema conocido, el de los modelos que rechazan tareas legítimas por exceso de celo.

La ficha de sistema que acompaña al lanzamiento aborda además los riesgos emergentes del uso de ordenador por parte de la IA, en particular los ataques de inyección de instrucciones —cuando un tercero introduce órdenes maliciosas ocultas para que el modelo las ejecute—, y explica cómo se entrena a Claude para resistirlos. También examina un ángulo interesante de los modelos de razonamiento: la posibilidad de ver cómo toman decisiones y de valorar si ese razonamiento es realmente fiable.

Qué implica

La combinación de un modelo híbrido con control de presupuesto de pensamiento y un agente que opera en el terminal apunta a un modo de trabajo distinto para los desarrolladores. La promesa es delegar tareas de ingeniería sustanciales, no solo autocompletar líneas. Que Anthropic lo lance como vista previa limitada, reconociendo que es un producto temprano con fiabilidad aún por pulir, encaja con la cautela de quien sabe que dejar a un agente confirmar y subir código a GitHub es tan potente como delicado.

El acierto de fondo está en la filosofía del modelo único: en lugar de obligar al usuario a elegir entre un modelo rápido y otro que razona, deja esa decisión abierta pregunta a pregunta e incluso permite dosificarla por tokens. Habrá que ver si el pensamiento extendido justifica su coste en tareas cotidianas o si, como suele ocurrir, la mayoría del trabajo real se resuelve bien en el modo rápido.