मॉडल

Claude

इसे भी कहा जाता है: Claude Sonnet, Claude Opus, Claude Haiku

Claude, Anthropic द्वारा बनाए गए बड़े भाषा मॉडलों का एक परिवार है, जो तीन टियर — Haiku, Sonnet और Opus — में आता है, जिनमें गति और लागत का क्षमता के साथ समायोजन होता है। यह एक चैट असिस्टेंट, एक API और एजेंटिक टूल्स के सेट के रूप में उपलब्ध है, और इसे Anthropic की Constitutional AI विधि से ट्रेन किया गया है, जो केवल मानव फ़ीडबैक पर निर्भर रहने के बजाय ट्रेनिंग प्रक्रिया में ही व्यवहार संबंधी सिद्धांतों को शामिल करती है।

यह क्यों मायने रखता है

Claude उन अग्रणी मॉडल परिवारों की छोटी सूची में है जिन्हें प्रैक्टिशनर गंभीर कामों के लिए मूल्यांकन करते हैं, और कोडिंग, लंबे दस्तावेज़ों के विश्लेषण और लेखन गुणवत्ता के लिए इसकी विशेष रूप से मजबूत प्रतिष्ठा है। इसकी टियर-आधारित रेंज आपको एक ही API पर कार्य की कठिनाई के अनुसार लागत मिलाने देती है, और अनुमानित, नियंत्रणीय व्यवहार पर इसका जोर इसे एंटरप्राइज़ प्रोडक्ट्स में एक आम डिफ़ॉल्ट बनाता है, जहाँ अप्रत्याशित परिस्थितियाँ महंगी पड़ती हैं।

गहन अध्ययन

Claude एक मॉडल नहीं बल्कि एक प्रोडक्ट लाइन है, जिसे Anthropic मार्च 2023 की पहली रिलीज़ के बाद से लगातार सुधारती आई है। Claude 2 उसी साल बाद में आया और कॉन्टेक्स्ट विंडो को 100,000 टोकन तक पहुँचा दिया, जबकि अधिकांश प्रतिद्वंद्वी उसके एक अंश तक ही पहुँच पाते थे। मार्च 2024 में रिलीज़ हुए Claude 3 ने परिवार को Haiku, Sonnet और Opus टियर में पुनर्गठित किया, जो आज भी इस्तेमाल होते हैं, और इमेज इनपुट जोड़ा, जबकि इसके बाद आए 3.5 और 3.7 रिफ्रेश ने Sonnet की एक अग्रणी कोडिंग मॉडल के रूप में प्रतिष्ठा पक्की की। Claude 4 ने 2025 में इस कड़ी को जारी रखा, जिसमें एजेंटिक वर्कलोड पर अधिक जोर था — ऐसे मॉडल जो योजना बनाते हैं, टूल्स कॉल करते हैं और लंबे समय तक काम करते हैं, न कि केवल एकल प्रॉम्प्ट का जवाब देते हैं। ब्रांडिंग के पीछे, हर Claude मॉडल एक ट्रांसफ़ॉर्मर-आधारित LLM है जिसे Anthropic की Constitutional AI रेसिपी से ट्रेन किया गया है, जिसे कंपनी किसी रिसर्च साइड शो के बजाय एक मूल प्रोडक्ट फ़ीचर मानती है।

एक परिवार, तीन टियर

हर जनरेशन के भीतर तीनों टियर लेटेंसी और कीमत का क्षमता से समायोजन करते हैं, और इनके बीच रूटिंग सीखना ही लागत-इंजीनियरिंग का ज़्यादातर हिस्सा है। Haiku छोटा, तेज़ और सस्ता विकल्प है, जो क्लासिफ़िकेशन, एक्सट्रैक्शन और हाई-वॉल्यूम चैट के लिए बना है जहाँ मिलीसेकंड और पैसे मायने रखते हैं। Sonnet संतुलित वर्कहॉर्स है जिस पर ज़्यादातर प्रोडक्शन वर्कलोड डिफ़ॉल्ट रूप से चलते हैं, और Anthropic की कोडिंग क्षमता आम तौर पर सबसे पहले यहीं दिखती है। Opus सबसे बड़ा और सबसे विचारशील है, जो कठिन तर्क, लंबे चलने वाले एजेंट और ऐसे कार्यों के लिए रखा गया है जहाँ गुणवत्ता का अंतर कई गुना कीमत का अंतर उचित ठहराता है। चूँकि सभी टियर एक ही API और प्रॉम्प्ट फ़ॉर्मेट साझा करते हैं, एक आम पैटर्न यह है कि Opus पर प्रोटोटाइप करें, Sonnet पर शिप करें, और पाइपलाइन के हर स्टेप को Haiku पर तब उतारें जब माप बता दे कि वह उसे संभाल सकता है।

व्यवहार में Constitutional AI

Claude का विशिष्ट व्यवहार Anthropic की एक ट्रेनिंग विधि से आता है जिसे वह Constitutional AI कहती है। मानक RLHF पाइपलाइन की तरह केवल मानव कॉन्ट्रैक्टर्स पर आउटपुट रैंक करवाने के लिए निर्भर रहने के बजाय, Anthropic सिद्धांतों का एक सेट लिखती है — एक संविधान — और मॉडल से उन्हीं के आधार पर अपने जवाबों की आलोचना और संशोधन करवाती है, फिर उन संशोधनों पर ट्रेन करती है। प्रिफ़रेंस सिग्नल का एक हिस्सा लोगों के बजाय खुद मॉडल से आता है, जिसे RLAIF कहा जाता है, और यह फ़ीडबैक को मानव लेबलर के उत्पादन से कहीं अधिक स्केल करता है। इसका दिखने वाला नतीजा एक ऐसा मॉडल है जो सीधे मना करने के बजाय अपने इनकार की व्याख्या करता है, लंबी बातचीत में एक समान पर्सोना बनाए रखता है, और टोन व फ़ॉर्मेट के सूक्ष्म निर्देशों का पालन करता है। डेवलपर इसे अक्सर स्टीयरेबिलिटी कहते हैं, और उन प्रोडक्ट्स में Claude की अपील का एक बड़ा हिस्सा यही है जहाँ मॉडल की आवाज़ सीधे ग्राहकों के सामने होती है।

लॉन्ग कॉन्टेक्स्ट ही पहचान भरा फ़ीचर है

100k विंडो के बाद से लॉन्ग कॉन्टेक्स्ट Claude की पहचान रहा है, और मौजूदा मॉडल 200,000 टोकन की कॉन्टेक्स्ट विंडो स्वीकार करते हैं — कई सौ पेज — और कुछ टियर पर इससे बड़ी विंडो भी उपलब्ध है। इससे यह बदल जाता है कि क्या बनाना सार्थक है: पूरी RAG पाइपलाइन खड़ी करने के बजाय, आप मॉडल को पूरी रिपॉज़िटरी, कॉन्ट्रैक्टों का पोर्टफ़ोलियो या किताब जितना लंबा मैन्यूस्क्रिप्ट दे सकते हैं और एक ही बार में पूरी सामग्री पर क्वेरी कर सकते हैं। इसकी कीमत यह है कि हर रिक्वेस्ट पूरे इनपुट को दोबारा प्रोसेस करती है, और यहीं Prompt Caching काम आती है: यह सर्वर-साइड पर एक पुन:प्रयोज्य प्रीफ़िक्स स्टोर करती है और एक ही सामग्री पर दोहराई जाने वाली क्वेरी के लिए लागत और लेटेंसी दोनों को काफी घटा देती है। पोज़िशन अब भी मायने रखती है, क्योंकि मॉडल लंबे इनपुट की शुरुआत और अंत के पास की जानकारी को बीच में दबी सामग्री की तुलना में अधिक विश्वसनीयता से याद रखते हैं। सचमुच बड़े कॉर्पस के लिए, रिट्रीवल और लॉन्ग कॉन्टेक्ट का संयोजन दोनों में से किसी एक से बेहतर काम करता है।

चैट से आगे: कोड, कंप्यूटर और MCP

Anthropic ने Claude को चैट विंडो से आगे तीन दिशाओं में ले गया है, जिन्हें जानना उपयोगी है। Claude Code एक एजेंटिक कोडिंग असिस्टेंट है जो टर्मिनल में चलता है, रिपॉज़िटरी पढ़ता है, फ़ाइलें एडिट करता है, टेस्ट चलाता है और निगरानी में सुधार करता रहता है, और यह कोडिंग-एजेंट श्रेणी के लिए एक संदर्भ बिंदु बन गया है। कंप्यूटर यूज़ मॉडल को स्क्रीन देखने और माउस व कीबोर्ड चलाने देता है, जो उन मॉडलों की ओर एक शुरुआती लेकिन वास्तविक कदम है जो विशेष बनाए गए इंटीग्रेशन पर निर्भर रहने के बजाय सामान्य सॉफ़्टवेयर चला सकें। तीसरा है Model Context Protocol, Anthropic का 2024 के अंत में जारी किया गया एक ओपन स्टैंडर्ड, जो मॉडलों को बाहरी टूल्स और डेटा स्रोतों से जोड़ता है और जिसे तब से अन्य प्रमुख AI प्रोवाइडर और टूलिंग वेंडर भी अपना चुके हैं। मिलकर ये तीनों Claude को टेक्स्ट-इन, टेक्स्ट-आउट API से एजेंट बनाने के एक प्लेटफ़ॉर्म में बदल देते हैं।

सेफ़्टी ट्रेनिंग कोई फ़ोर्स फ़ील्ड नहीं है

एक आम गलतफ़हमी यह है कि Claude की सेफ़्टी ट्रेनिंग का मतलब है कि आप अपनी सुरक्षा-व्यवस्था छोड़ सकते हैं। Constitutional AI विफलताओं के वितरण को बदलती है; उन्हें समाप्त नहीं करती। Claude अभी भी सुनने में प्रामाणिक लेकिन गलत जवाबों का हैलूसिनेशन करता है, अभी भी उपयोगकर्ताओं को वही बताने की ओर झुकता है जो वे सुनना चाहते हैं, और पर्याप्त प्रयास से jailbreak किया जा सकता है, और इसका नॉलेज कट-ऑफ़ इस बात की गारंटी देता है कि यह आखिरकार किसी पुरानी लाइब्रेरी या API का पूरे आत्मविश्वास के साथ वर्णन करेगा। व्यावहारिक अर्थ यह है कि यह ट्रेनिंग खराब व्यवहार की बेस दर घटाती है और इनकार को अधिक अनुमानित बनाती है — किसी प्रोडक्ट में मॉडल जोड़ते समय यह वास्तव में उपयोगी है — लेकिन मूल्यांकन, इनपुट फ़िल्टरिंग और आउटपुट जाँच अब भी आपकी ज़िम्मेदारी है। जो टीमें वेंडर अलाइनमेंट को अपने गार्डरेल्स का विकल्प मानती हैं, वे यह सबक अक्सर महंगे तरीके से सीखती हैं।