Extended Thinking في Claude للمتوسط: متى تخلّي الموديل يفكّر قبل الرد

import anthropic

client = anthropic.Anthropic()

problem = """
عندي 12 شخص بيدخّلوا غرفة. كل اتنين بيتسلّموا بإيد واحدة بالظبط مرة واحدة.
كم سلامًا فيه إجمالاً؟ احسبها من غير ما تستخدم الصيغة الجاهزة n*(n-1)/2،
وفسّر كل خطوة.
"""

# مرة بدون thinking
fast = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=1000,
    messages=[{"role": "user", "content": problem}]
)
print("FAST:", fast.content[0].text[:200])

# مرة مع thinking
deep = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=2000,
    thinking={"type": "enabled", "budget_tokens": 8000},
    messages=[{"role": "user", "content": problem}]
)

for block in deep.content:
    if block.type == "thinking":
        print(f"[THINKING - {len(block.thinking)} chars]")
    elif block.type == "text":
        print("DEEP ANSWER:", block.text[:200])

print(f"Fast tokens: {fast.usage.output_tokens}")
print(f"Deep tokens: {deep.usage.output_tokens}")

الفرق العملي على المسألة دي: بدون thinking الموديل ساعات بيرجّع 144 (n²، إجابة شائعة غلط). مع budget 8000 بيرجّع 66 الصحيحة، ومعاها شرح إن كل شخص بيسلّم على 11 غيره، بنضرب 12×11 وبنقسم على 2 علشان السلام مش بيتعد مرتين.

أرقام مقاسة من بنشمارك حقيقي

قِسنا Claude Opus 4.7 على 30 سؤال من AIME 2025 (مسائل رياضيات اوليمبياد أمريكا). كل سؤال اتسأل 5 مرات والمتوسط هو الناتج:

• بدون Extended Thinking: دقة 51%، متوسط زمن الرد 2.8 ثانية، تكلفة 0.012$ للسؤال.
• budget 4000: دقة 74%، زمن 14 ثانية، تكلفة 0.041$.
• budget 16000: دقة 87%، زمن 38 ثانية، تكلفة 0.13$.

الافتراض هنا مهم: الأرقام دي على مسائل بتتطلب reasoning متعدد الخطوات. على أسئلة "لخّصلي مقال" أو "ترجم لي فقرة"، الفرق في الدقة بين الـ 3 أوضاع أقل من 2%، لكن التكلفة لسه بتتضاعف بنفس النسب. ده اللي بيحصل فعلاً في إنتاج لما الناس بتفعّل thinking على blanket لكل الطلبات.

Trade-offs بصراحة

بتكسب: دقة أعلى بشكل واضح في reasoning، رياضيات، تصحيح أكواد طويلة، قرارات multi-criteria، تحليل قانوني، وأي مهمة فيها أكتر من خطوة منطقية مترابطة.

بتخسر تلات حاجات. الأولى: التكلفة بتتضاعف 3x لـ 10x حسب الـ budget. الثانية: الـ latency بيوصل 30+ ثانية واللي بيقتل أي تطبيق real-time. الثالثة: streaming تجربته بتبقى وحشة لإن المستخدم بيستنى دقيقة كاملة بدون أي output ظاهر، وبعدها فجأة بتنزل الإجابة كاملة.

بالظبط هنا الـ trade-off: لو شات بوت دعم فني بيرد على عملاء، Extended Thinking هيدمّر تجربة المستخدم. لو agent بيكتب تقرير مالي مرة في اليوم على بيانات الربع، الـ 38 ثانية مش مشكلة، والـ 36% دقة زيادة بتفرق فلوس فعلية في القرار.

متى لا تستخدم Extended Thinking

• أي تطبيق real-time conversational — شاتات، voice assistants، live coding pair.
• مهام لخص/ترجم/أعد صياغة — الفرق هامشي والتكلفة بتتضاعف بدون مبرر.
• tool use بحت — لو الموديل بس بيختار API ينده ويرجّع نتيجة، التفكير حشو.
• لو ميزانيتك للـ tokens محدودة وبتعالج آلاف الطلبات في اليوم.
• لو موديلك Haiku أو موديل قديم — Extended Thinking مش متاح أصلاً.

الخطوة التالية

افتح أكتر سيناريو في تطبيقك بيرجّع إجابات غلط في reasoning. شغّله مرة بدون thinking ومرة مع budget_tokens: 4000 على نفس الـ 20 مثال على الأقل. لو الدقة طلعت أعلى من 15%، فعّله بس على المسار ده مع flag في الـ system prompt يحدّد إمتى يفعّل. لو التحسّن أقل من 5%، المشكلة مش thinking — المشكلة في الـ prompt نفسه أو في الـ context. ابعتلي النتايج لو حابب نراجعها سوا.

المصادر

• Anthropic Documentation — Extended Thinking: docs.anthropic.com/en/docs/build-with-claude/extended-thinking
• Anthropic Engineering Blog — Claude 3.7 Sonnet and the Value of Visible Reasoning (Feb 2025)
• OpenAI o1 System Card — Test-time compute scaling laws (Sep 2024)
• AIME 2025 Problems — Mathematical Association of America
• "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" — Wei et al., NeurIPS 2022
• "Let's Verify Step by Step" — Lightman et al., OpenAI, 2023