Тестовые вычисления (Test Time Compute): как Claude использует токены для решения сложных задач
Ключевые тезисы:
Тестовые вычисления — это использование дополнительных вычислительных ресурсов (токенов) во время инференса (генерации ответа) для улучшения качества решения.
Чем больше токенов модель тратит на «размышления», тем лучше результат на сложных задачах.
Пользователи могут контролировать этот процесс через уровни усилия (effort) и бюджеты (budgets).
Адаптивное мышление (Adaptive Thinking) позволяет Claude самостоятельно решать, когда «думать», вызывать инструменты или выдавать текст, что делает его работу более похожей на человеческую.
Как работают тестовые вычисления
Принцип: Аналогично тому, как увеличение вычислительных мощностей при обучении (train time compute) делает модель умнее, увеличение количества токенов при генерации ответа (test time compute) повышает качество её работы.
- Доказательство на графиках: Производительность Claude (Opus, Sonnet, Haiku) на внутренних бенчмарках (кодирование, DeepSeek QA, PhD-экзамены) линейно растёт с увеличением количества использованных токенов.
Пример с моделированием движения машин:
Низкое усилие (Low Effort): Быстро (~50 сек, ~4600 токенов). Создана простая, но функциональная симуляция. Светофор расположен нелогично.
Высокое усилие (High Effort): Вдвое больше времени и токенов. Симуляция детальнее, появились разные типы машин, светофор висит над дорогой, водители «умнее».
Максимальное усилие (Max Effort): В 10 раз больше ресурсов. Наиболее детализированная и реалистичная симуляция с корректной физикой и сложным поведением машин.
Вывод: Больше токенов → больше времени на «размышление» → более качественный и сложный результат.
Три компонента работы Claude во время инференса
- Мышление (Thinking): Внутренний «черновик» Claude, пространство для рассуждений и планирования следующих шагов.
Вызов инструментов (Tool Calling): Интерфейс для взаимодействия с внешним миром (веб-поиск, API, файловая система и т.д.).
Текст (Text): Финальный или промежуточный вывод, который видит пользователь.
Как пользователи управляют процессом: Усилие (Effort) и бюджеты
Уровни усилия (Effort)
Это шкала от Low до Max, которая контролирует, сколько времени и токенов Claude потратит на задачу. Ключевой вопрос: «Пожертвовать ли интеллектом ради скорости?».
Эволюция управления мышлением:
- Изначальный подход: Claude сначала долго думает, потом выполняет все действия, потом отвечает (неестественно для человека).
- Чередующееся мышление (Interleaved Thinking): Claude может думать после каждого вызова инструмента (более естественно).
Адаптивное мышление (Adaptive Thinking): Claude сам решает, когда думать, вызывать инструмент или выдавать текст, в зависимости от задачи. Это парето-эффективное улучшение.
Важно: Раньше переключатель «мышления» просто отключал эту способность. Теперь же с Adaptive Thinking мы даём Claude инструмент «подумать», а он решает, когда его использовать (аналогично тому, как мы даём инструмент поиска, но не заставляем им всегда пользоваться).
Бюджеты (Budgets)
Более жёсткие ограничения, например, на максимальное количество токенов или время выполнения задачи (task budgets в API).
Лучшие практики по выбору уровня усилия
- Оценивайте производительность на своих задачах: Создайте сложный тестовый набор (eval) и проверьте, как модель справляется на разных уровнях усилия.
Учитывайте убывающую предельную отдачу: На самых высоких уровнях (Extra High → Max) прирост качества может быть незначительным при резком росте затрат.- Правила на подбор уровня (от сложного к простому):
- Max: Только для самых сложных задач, где критически важен интеллект. Может быть избыточен.
- Extra High (рекомендация по умолчанию): Оптимальный баланс интеллекта, скорости и количества токенов. Используется в Claude Code и Claude.ai.
- High: Хороший баланс. Следует использовать, если задача требует хоть какого-то интеллекта.
- Medium/Low: Для задач, чувствительных к задержкам (латентности), где интеллект не главное: классификация, суммаризация, извлечение данных.
Низкое усилие может давать неожиданные решения: В тесте «Claude Plays Pokémon» на Low Effort модель использовала хитрые тактики (репелленты, побеги), чтобы пройти игру быстрее, избегая размышлений.
Haiku vs. Opus: что выбрать?
- Большая модель (Opus) на низком усилии часто даёт лучший результат, чем маленькая модель (Haiku) на высоком усилии, если задача требует интеллекта.
- Маленькие модели (Haiku) лучше подходят для простых, низкоинтеллектуальных задач, где результат предсказуем, а скорость и стоимость важны.
- Идеальный способ: Протестировать обе модели на всех уровнях усилия с помощью своих эвалов.
Итоговые рекомендации
- Всегда включайте мышление: Давайте Claude возможность использовать инструмент «подумать» (через Adaptive Thinking).
- Контролируйте глубину через Effort: Используйте уровни усилия, чтобы найти баланс между качеством, скоростью и стоимостью.
- Создавайте сложные эвалы: Лучший способ определить оптимальные настройки — тестирование на самых трудных представительных задачах.
- По умолчанию — Extra High: Если сомневаетесь, начните с этого уровня, как это делает Anthropic в своих продуктах.
- Цель на будущее: Дать пользователям возможность ставить Claude бюджет (деньги или время), а модель сама будет оптимально распределять свои вычислительные ресурсы (токены) для его выполнения.