Anthropic объяснила, когда стоит играться в effort level (спойлер - нечасто)
Вышел пост от команды Claude Code про то, чем отличаются два главных «крутила» в Claude Code: выбор модели и effort level.
Главные тезисы:
– Модель = набор замороженных весов. Всё, что Claude «знает» про TypeScript и Go, зашито туда на этапе тренировки. Промпт и
CLAUDE.md – это steering, а не teaching: модель ничему не учится, вы просто подсовываете контекст на один запрос
– Effort – это НЕ «время подумать». Это сколько работы модель готова проделать за ход: сколько файлов прочитает, запустит ли тесты, будет ли перепроверять себя, и как далеко утащит мультишаговую задачу до того, как вернётся к вам
– Effort передаётся в модель прямо в запросе, как ещё один input. Поведение на каждом уровне выучено при тренировке. На высоком effort та же задача может сжечь примерно в 7 раз больше токенов ради более уверенного ответа
– При этом effort задаёт потолок, а не план: если первая гипотеза в дебаге сработала, модель скипнет остальные проверки, а не будет искусственно наматывать токены. Anthropic говорит, что специально борется с overthinking на тренировке.
При этом пишут, что чаще всего дефолтных значений хватает 80% пользователей.
Практическая эвристика, когда что-то пошло не так:
– Claude всё прочитал, честно старался и всё равно ошибся – проблема в capability, берите модель побольше
– Claude скипнул файл, не запустил тесты, бросил рефакторинг на середине – проблема в старании, поднимайте effort
– Но сначала проверьте контекст: кривой промпт лечится не крутилками, а нормальным
CLAUDE.md
Есть и красивая аналогия:
Fable – это узкий специалист, который видел проблемы, которых не видел никто.
Opus – эксперт,
Sonnet – хороший generalist. Opus на low effort = пять минут с экспертом, Sonnet на high effort = целый день работы толкового джуна-плюс, который вычитает весь ваш код. Fable даже на low effort замечает то, что остальные не увидят, но и стоит соответственно.
Про экономику честно: на рутине большая модель просто дороже без прироста качества. На сложных multi-step задачах наоборот – маленькая модель идет итерациями к потолку своих способностей, а большая доходит до результата за меньше шагов, и cost per task может выйти ниже.
Короче, главный совет от самой Anthropic – не трогайте крутилки. Дефолтный effort откалиброван под то, что «большинство людей хотело бы потратить на задачу», а модель меняйте не по вайбу, а по диагнозу: не знал или не старался. Прикольно, что антропик сам пишет «не платите нам за модельку, которая задаче не нужна».
https://claude.com/blog/claude-model-and-effort-level-in-claude-code