如何用 Claude 3 Haiku 帮你低成本快速自动分析数据？

（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）

吐槽

事情先得从一张图说起。那天我在 Hugging Face 上看到一份大语言模型排行榜。

这张图显示，现在头部模型的排名里，Claude 3 Opus 已登顶，超越了此前的王者 GPT-4。令人惊讶的是，号称 Claude 3 「中杯」 的 Haiku，排名竟然超过了去年 6 月的 GPT-4。

` 要知道，Haiku 只是 Claude 3 序列中最轻量级的模型，很多人一直把它跟 ChatGPT 3.5 Turbo 相提并论，难道它的能力真的已经超越了余威尚存的 GPT-4?

带着疑问，我在知识星球发了一条吐槽：

这未免有些骇人听闻了。Claude 3 Haiku 确实不错，我现在就常用它来做长文中译英。但你要是说它的能力超过 GPT-4 （尽管是 0613）版本，也着实有些夸张。对比一下价格，GPT-4 用户还不得吐血啊？😂

我这可不是瞎说的。就在看到这张榜单的前一天，我还写了一篇文章《如何用 Claude 3 API 自动化处理任务？》

文中我通过多次实际测试得出结论 —— 对于翻译，用 Haiku 足矣；但想润色文本，则需要用到 Sonnet 「大杯」，甚至是 Opus 这样的「超大杯」模型。可见这几个型号的能力差异是明显的。

但是，没想到，刚吐槽完就被打脸啊。

纠结

4 月 14 日，我要应邀做一个线上工作坊，主题是「借助智能工具实现数据分析与可视化」。

原本我打算只用智谱清言的数据分析模式来讲。

因为之前我就用它处理过鸢尾花数据集的分析，效果不错。

你看，可以分析数据基本信息，还能做分布。

就连机器学习建模，也不在话下。

但我让自己的研究生们试用后，他们反馈说智谱清言的输出不稳定，甚至即便反复调整提示词也无法达到理想的效果。

至于词云，干脆就做不出来。

没办法，我只好把同样的问题丢给 ChatGPT，结果人家做个词云轻而易举。

不过 GPT-4 的访问成本着实不低，令许多学生望而却步。另外他们注册 ChatGPT Plus 账户也并不那么顺畅。工作坊用 ChatGPT 的 Code Interpreter 练手不大现实。怎么办呢？

解法

我突然想起自己去年 9 月写过一篇文章《如何用 Open Interpreter 帮你自动做数据可视化？》。

当时咱们就是用 Open Interpreter 替代了 ChatGPT 的 Code Interpreter 模式，证明它完全有能力胜任各种数据分析与可视化任务。

更重要的是，Open Interpreter 可以充分利用本地的计算资源，而不必局限在一个远程的定时虚拟机中操作。这样一来，不仅数据处理速度更快，可以分配的内存和硬盘空间更大，还能按需安装第三方软件包，总之非常灵活。

但问题是，当初我也测试过，Open Interpreter 需要调用 GPT-4 的 API 才能真正发挥出威力。如果使用 ChatGPT 3.5 Turbo，效果立即大打折扣，更不用说那些 7B, 13B 的开源小模型了。

可是如果非得使用 GPT-4 作为后台模型，就出现了成本高、速度慢，甚至是多轮对话后 Open Interpreter 「健忘」等问题。这些障碍在当时都给我带来不少困扰。所以后续无论是教学还是自己用，我使用 Open Interpreter 的频率都很低。

灵光

成本高、速度慢、健忘…… 我念叨着这些问题，突然灵光一现！

用 Claude 3 Haiku 似乎能全部解决这些问题啊 —— 它响应速度快，平均每秒能产生 100 多个 token；它价格低廉，日常的文本处理频繁调用成本也可以忽略不计；它支持多达 20 万 token 的上下文窗口，可以流畅地进行多轮对话。如果把 Open Interpreter 的后端模型换成 Haiku，上述问题岂不就完美解决了？

我马上做了测试。这是 Open Interpreter 用 Haiku 后分析 《三国演义》 部分人物出场次数，并且输出了前 10 名的排序图。

我还利用它绘制了 Friends 的词云图，效果非常不错。

连中文的词云，也是非常顺畅生成。

要知道，这些可视化任务如果用 ChatGPT 的 Code Interpreter 来做，也未必能如此顺利 —— 因为它不一定装得上所需的依赖库和中文字体。

不过要上手用 Claude 3 的 API，还是有些门槛。因为注册账号、充值等操作对普通用户来说可能有点麻烦。