地表最強編碼AI！Anthropic發布Claude 4模型：可自主運行7小時，懂玩寶可夢還幫你寫攻略|數位時代 BusinessNext

長效記憶與智能進化：幫打寶可夢同時寫攻略

Anthropic 的 Claude AI 模型系列包含 Haiku、Sonnet 和 Opus 三種不同「規模」的型號，旨在於價格、速度和能力之間取得平衡。Haiku 為最輕巧、成本最低但能力也最基礎的選項；Sonnet 則為兼顧成本與效能的中階選擇；Opus 系列向來是規模最大、運行速度較慢，但上下文理解深度與邏輯處理能力最強的頂級模型。

為克服長時間運作的限制，本次發布的 Claude Opus 4 及 Sonnet 4 模型皆內建記憶功能，允許其在長時間會話中利用外部文件儲存關鍵資訊，如同人類在長時間工作時做筆記一般。

此外，兩種 Claude 4 模型都引入了名為「擴展思考與工具使用」的全新測試版功能，允許模型在模擬推理與使用網頁搜索等外部工具之間交替運作，進一步提升其解決複雜問題的效率與準確性。

Albert 表示，Claude Opus 4 在記憶能力方面顯著優於先前所有模型。當開發者建構的應用程式賦予 Claude 存取本機檔案的權限時，Opus 4 便能建立並維護用以儲存關鍵資訊的「記憶檔案」(memory files)，進一步提升長期代理任務的執行效能。 例如 Opus 4 能一邊進行《寶可夢》(Pokémon) 遊戲，一邊創建「導航指南」(Navigation Guide)。相較之下，早期 Claude 模型通常僅能維持一至兩小時的連貫性。

日本科技服務集團 Rakuten (樂天) 亦驗證了 Claude 在一項要求嚴苛的開源重構任務中，能獨立運行七小時並維持穩定效能。

基準測試評分超群！獲GitHub納入編碼代理基礎模型

Anthropic 宣稱 Opus 4 在編碼任務的行業基準測試中處於領先地位，於 SWE-bench (SWE-bench) 達到72.5% 的評分，在 Terminal-bench (Terminal-bench) 則獲得43.2% 的成績，並稱其為「全球最佳編碼模型」。

Sonnet 4 在 SWE-bench 獲得72.7% 的高分，同時保持比 Opus 4 更快的反應時間。因此，GitHub 選擇與 Anthropic 合作，而非其母公司 Microsoft 緊密合作的 OpenAI 模型，可以說間接證明了 Anthropic 技術的競爭力。

儘管新模型在減少「獎勵駭客行為」（如未經授權操作或過度輸出）方面已降低約80%，但 Albert 承認， 人工代碼審查在任何產品代碼發布中仍至關重要 ，AI 的非確定性本質為開發者帶來了新的挑戰與機遇，強調開發者仍需要調整對可靠性的看法。

Claude Opus 4 的定價為每百萬輸入 tokens 收費15美元（約為新台幣450元），輸出則為75美元（約為新台幣2250元）；Sonnet 4 的價格則維持在輸入3美元（約為新台幣90元）與輸出15美元（約為新台幣450元）。

兩款模型已可透過 Anthropic API、Amazon Bedrock 及 Google Cloud Vertex AI 存取。Sonnet 4 仍對免費使用者開放，Opus 4 則需付費訂閱。同時，經過數月預覽測試的 Claude Code 編碼環境也正式推出，並整合至 VS Code 與 JetBrains IDEs。

本文初稿為AI編撰，整理．編輯/ 李先泰

1973 年，良興從台北光華商場一間 50 坪的電子零件行起家，半個世紀後蛻變為年營收破十億、毛利率 18% 的全通路 3C 品牌。不過，伴隨規模擴張帶來的不只是成長，還有日益加劇的管理摩擦。門市遍布全台、品項高達近萬筆，加上跨部門協作頻繁，行政耗損與知識傳承的缺口，成為這家老字號邁向下一階段的隱形天花板。

良興總經理賴志達回顧，從電子零件跨入電商、從線下擴張到 OMO 全通路、再到會員深度經營，作為 3C 零售業者，良興每一波轉型都走在同業前面。「現在輪到 AI 了。如何做到人機協作、AI 賦能，就是良興第五波轉型的核心命題。」

AI 自動化，從行政細節釋放組織戰力

轉型需要夥伴，而賴志達評估合作夥伴的標準很明確：技術能力是基本，產業知識（Domain Know-how）的深度是關鍵，回饋速度更是最終決定因素。2025 年的未來商務展上，良興選擇攜手 Data-DI，看重的正是其「策略諮詢 + AI 產品 + 落地陪跑」三軌並行的實施能力。

很快的，良興與 Data-DI 合作的第一個專案，就落在最耗費人力、卻最常被忽視的環節：會議記錄。「會議如果沒有產值、沒有效果，對企業很傷！」賴志達說，他每天參加許多會議，但跨單位協作的會議記錄長期依賴人工聆聽與逐字整理，常出現人名誤植、決策遺漏、行動項目無人追蹤，讓會議效果大打折扣。

為了解決會議記錄的痛點，Data-DI 業務副總包威棣指出，在導入工具以前，團隊須先釐清三件事：場景是否具備落地價值、哪些流程節點適合 AI 介入，以及以終為始地掌握客戶真正想要的輸出樣貌。這些看似基本的提問，都決定 AI 能否精準落地。

確認方向後，良興與 Data-DI 成功導入 AI 會議記錄自動化系統，透過模糊比對技術校正語音辨識誤差，並將生成的雙版本報告直接回存至既有資料庫，不僅將行政人員從重複性作業中釋放，也為後續的 AI 應用奠定扎實的系統整合基礎。

賴志達分享，現在他去外部開會也會用這個工具，運用 AI 把錄音轉文字、再整理成簡報，很快就能完成，更令外部夥伴驚艷。「我認為這是很成功的案子！也提醒想做 AI 的老闆們，與其急著搞大架構，不如先從小工具讓公司嘗試 AI，建立理解和認同。」

AI 把資深員工大腦轉化為資產

補完行政效率的缺口後，良興接著切入更深層的營運核心：知識傳承。過去，頂尖銷售經驗長期鎖在少數資深員工身上，新人培訓耗時三個月，員工離職即帶走知識資本。與此同時，網路資訊發達，消費者進店前早已掌握基本規格，3C 通路門市人員要如何發揮更多價值？「我要門市的人不是死背規格，而是面對客人時，能用客人能理解的方式對話。」賴志達說。

為此，Data-DI 協助良興建置 AI 門市教育訓練系統。系統透過六大自動化關卡，串接教材生成、審核上架、AI 銷售對練與成績回報，主管僅需在核心節點審核；員工透過手機語音對練，系統依口吻、專業度、回應力等維度自動評分。賴志達表示，目標是將新人培訓期縮短至一個月，讓數十年累積的銷售智慧轉化為可複製、可傳承的企業資產。

然而，要讓這套系統真正運作，得先解決兩個根本問題：資料從哪裡來？以及訓練如何更準確？

「以前大數據時代，講的是資料要大、全、細、實；現在 AI 要做到的是準（準確）、合（合乎場景）。」包威棣說。良興不同廠商提供的素材品質參差不齊，Data-DI 除了整合內部資料，也補充加入外部市場評測內容以填補空缺，再透過人員審核機制過濾雜訊，搭配 agent 架構的多層步驟與知識限定，確保系統能精準提煉對應品類的訓練素材。

賴志達則看得更遠：「這些教育訓練的內容，也將成為公司未來訓練機器人很好的原料。」

Data-DI 陪跑型顧問，帶領企業 AI 轉型

良興與 Data-DI 合作的兩個專案中，雙方共同克服了長提示詞邏輯混亂、AI 幻覺污染知識庫、逐字稿讀取逾時等技術難題。邁向下一步，賴志達表示，公司各部門很早就建置 Power BI 報表，但數據豐富不等於決策清晰。「數據是土壤，如果沒有梳理，就沒有用了。」因此，他的下一個目標是活化數據資本、推動行銷自動流，以精實的人力持續驅動成長。

包威棣則從顧問視角歸納兩個觀察：AI 導入需要高層認同、由上而下推進，像賴志達這樣持續引領良興走在業界前端的決策者，就是不可或缺的推手；而單點工具的價值，終究要累積成組織體質的轉變才算真正落地。「就像會議記錄改變了會議當責的結構，人員訓練改變了知識傳承的方式。從點狀應用走向企業變革，這種決策思路才是 AI 真正深入落地產生價值的關鍵。」

最後，對於仍在觀望AI應用的企業，他則建議：「未來 AI 導致的落差只會愈來愈大，人會變成超級工作者，企業會變成超級企業。開始做就對了，先做一個三個月的小任務，降低落差、再急起追上。」從痛點切入、小步快跑，讓組織在實作中累積對 AI 的理解與信任，這正是 Data-DI 的陪跑哲學。

有關更多 Data-DI 相關資訊，請查詢網站：https://www.data-di.com/