Opus 5.5 被削弱了吗?11月3日之后思考模式发生了变化

Anthropic 的 Claude Opus 5.5 用户报告称其代码质量、可靠性和“思考”行为突然下降,因此许多人怀疑该模型在新模型发布和公司 IPO 前被悄悄“削弱”了。也有人反驳说,基准追踪器和基于 API 的评测并未显示出明确退化,这更像是正常波动、harness 变化或用户偏见,而非故意降级。这场争论凸显了人们对不透明模型更新日益增长的不信任、对 A/B 测试和付费档位成本削减的担忧,以及对开源权重或自托管模型重新产生的兴趣——尽管它们能力较弱,但行为更可预测。

对 Opus 5.5 及相关模型“被削弱”的感知

  • 许多用户报告称,从 11 月 3 日到 7 日左右开始,Opus 5.5 的质量明显下降:更基础的错误、跳步、代码更差、工具调用反复失败、忽略先前指令,以及表现出“宿醉”式/懒散行为。
  • 也有人报告 Fable 和其他 Anthropic 模型变得更慢、更啰嗦、可靠性更差,并且更频繁地触发安全限制。
  • 一些人提到,需要把 effort level 提高到“high”/“x-high”,才能得到以前在“low”/“medium”下就能工作的结果,而且很快就用光了使用额度。

线程中提出的解释(属推测)

  • 容量/成本:重新分配算力去训练或发布新模型;对更便宜的变体进行重度量化或蒸馏;减少思考 tokens 或上下文;优先“fast”或企业/API 流量,而不是订阅用户。
  • 营销/IPO:在新版本发布前削弱旧模型,让升级显得更戏剧化;计划性淘汰 / “enshittification”。
  • A/B 测试:对 harness prompts、安全层、路由和量化等级进行静默实验;有人声称订阅用户受影响比 API 或云托管版本更大。
  • Bug:过去曾有人提到 harness 或 TPU 相关回归、缓存处理问题,或提示词变更导致性能下降的例子。

怀疑与反驳

  • 多位评论者表示,他们自己的长期使用经验并未显示出超出正常波动范围的明显退化。
  • 公共追踪器(如 Livenerf、nerf-bench、其他基准)以及一些私有评测套件据称没有看到 Opus 5.5 性能有明确下降,尤其是在 API 端。
  • 有些人把这种模式归因于人的心理:模型刚发布时新鲜感很高,之后预期升高,缺陷也更容易被注意到;以及围绕“nerf”叙事的确认偏差。
  • 少数小规模评测最多只显示出轻微或统计上不明确的变化。

更广泛的主题:信任、确定性与商业风险

  • 很多人强烈不满付费工具会不可预测地变化,从而破坏工作流、安全审查和长期项目。
  • 本地/开源权重模型因稳定性和版本控制而受到称赞,尽管其原始能力较低且硬件成本高;也有人认为前沿云模型在质量和整体生产力上仍然远远领先。
  • 有人呼吁:
    • 为模型和 harness 提供透明的变更日志。
    • 独立、持续的 nerf-bench 式跟踪(包括订阅版“神秘顾客”测试)。
    • 清晰区分新版本与现有 SKU 的静默变更。
  • 总体而言,线程中是否真的发生了可测量的 nerf 仍然 不明确;但可以明确的是,人们对模型稳定性的信心正在普遍下降。