Opus 5.5 真的变笨了吗？有人开始用同一道题连测 30 天

Opus 5.5 上线后，关于“是不是变笨了”的争论，终于有一个项目愿意把同样的题连续测下去。但它还没有证明模型已经降智，也没有证明用户的体感是错觉：截至 2026 年 10 月 2 日核对，Livenerf 的公开 README最近带日期的采样报告仍停在 9 月 30 日，十天基线完成七天，后续对照窗口尚无结果。此后项目实际采了几天，公开资料没有告诉我们。

这件事有意思的地方不在七天的曲线究竟往上还是往下，而在它逼着一个流行的问题变得具体：同一道题、同一执行路径、同一验收规则，持续做了以后，成绩会不会稳稳地变？

一次失败，究竟是哪一层变了？

例如你上周让模型改一处 bug，测试一次就过；本周相似的改动，它绕了半天却没修好。失望当然真实，但两次并不是天然相同的实验。题目细节、积累在会话里的失败尝试、工具权限、CLI 版本，乃至你是否换过系统指令，都可能改变结果。反过来，不该用“都是心理作用”抹掉可以稳定复现的问题。

HN 的讨论把这些观察混在一起：有人讲特定时段的任务体验，有人提套餐额度波动，也有人提醒任务可能越来越难。额度消耗不是正确率；任务没做好，也不自动指向模型权重或服务端路由被改。讨论帖负责提出待验证的问题，不能替实验判原因。

有一个很容易被忽略的设置差异：官方 effort 文档写明 Opus 5.5 的 API 默认投入是 medium，前代 Opus 5 默认 high。直接横比两个型号而不显式指定档位，可能测到的是默认设置和模型能力的混合效果；但这个事实不能解释“同一型号隔几天变了”这种时间上的主张。Livenerf 显式传入 effort，不能说它忘记控制该项。分清“旧版与新版谁强”和“同一个版本随时间变没变”，是所有后续讨论的起点。前一个问题需要同时比较两个型号的质量与设置；后一个问题先得把一个型号的早期状态留住。错过了基线，再用“我记得刚上线时更聪明”做对照，就没有可复查的坐标。这正是 Livenerf 抢在发布后启动长期采样的理由。

把每天的九十次调用拆开看

项目 README记录：Opus 5.5 在 9 月 22 日发布，持续采样自 9 月 24 日 22:10 UTC 开始。作者从知识问答与竞赛数学等 2336 道候选题中，选出模型有时答对、有时答错的 78 道做主测，再用 Opus 5 跑 12 道对照题，所以每天共 90 个样本。选择“会摇摆”的题是为了让正确率变化有机会浮出水面，不是声称这九十道题覆盖全部工作。

测量路径同样关键：它用 Claude Max 订阅下的无工具 headless Claude Code 单轮调用，不是裸 API，也不是复杂的编码代理。作者固定题目、评分、CLI 与本地 harness；9 月 30 日的已公开进度称七天没有漏采，前七天使用相同 harness hash 和固定 CLI 版本，并把一天的预算防护例外记入偏差日志。做这些事是为了减少外部噪声，不是为了说服务端的每个环节都被锁住。

这里还有一处选样取舍：只测每次都答对的题，分数长期贴着天花板，小幅下降可能要很久才露面；只测从来答不出的题，同样难以观察。因此作者挑出“有时对、有时错”的题来提高敏感度。但代价是面板与人们日常工作的距离更远：你在意的代码审查、文件编辑与工具调用都没有进入这 78 道知识和数学题。设计越适合回答一个窄问题，越不能替全部用户体验作总体裁决。

别让图上的横轴替你脑补数据。项目的最新 GitHub 提交在 10 月 1 日 17:20 UTC，但该次差异只把 README 中许可证的“尚未选择”改为 MIT，并没有公布第八天成绩。公开报告未更新，不等于内部一定停测；今天可以核验的事实仍只是最近一次公开进度为基线七天。Results 栏仍标 baseline collecting，不能拿它当已经出现的对照结果。

它要看到怎样的变化才会举手？

项目把规则写进了预注册协议：前十天建立基线，之后连续两个十天窗口都与之相比。每道题和它自己的基线配对，而不是把今天答对的难题和明天答错的简单题硬比。对一项会日常波动的能力，这比事后挑几张最陡的截图靠谱。预注册的意义还在于约束观察者自己：即使某一天出现很吓人的低分，也不能临时缩短观察窗口，或换一个宽松的置信区间来抢先宣布结果；如果出现上升或没有检出变化，同样按约定报告。项目在结果出来以前把裁决条件公开，读者才有机会检查它以后有没有移动球门。

要按协议报出变化，两个后续窗口必须同方向、每窗至少 3 个百分点、各自 99% 置信区间排除零；Opus 5 对照臂不能出现符合规则的同方向变化，还要满足 harness 一致、错误率低于 5% 等条件。假设两个窗口的点估计都下降了 4 点，其中一个区间仍跨过零，按规则也不能宣布检出。这是解释门槛的假设，不是项目已经测得的下降。

为何多一道 Opus 5 对照？假如两个型号同一天都异常，先检查共同的运行环境或执行链，比立刻说“只针对新版做了什么”更合理。作者也把每题输出 token列为次级信号：高、低 effort 的预先验证确实能改变输出量，说明这套仪器能看见某些已知的设置差异；但输出少不等于答错，预实验更不是已经抓住生产环境“降智”。尤其不能从一次 token 下降推测是“算力被偷偷收回”：答案长度、题目、失败重试、保护机制也可能影响读数。正确率与输出量要分别画时间线，再对照执行条件；其中一条单独变化，只能触发进一步调查。

按 README 的采集计划，完整基线和后续窗口需要时间，约 10 月 24 日是项目预计最早可能作判断的时间，不是已经兑现的发布日期。若实际采样进度后来改变，这个预估也要跟着改。

就算将来没有检出，争论也不会自动结束

项目预估，每个十天窗口对约 7.5 个百分点的差异才有较好的检出能力；它在预实验里连一次同家族型号替换也没有按自己的 99% 门槛区分出来。这不是设计失败，而是告诉我们“未检出”有多大范围：可能存在较小变化，或在别的任务切片里变化，而这套固定面板没有足够力量看见。

题库还有诚实但棘手的瑕疵：作者标出 8 道疑似错答案、30 道表述模糊的题，承诺对剔除相关题的版本做敏感性分析，而不是看到数字不合意才临时删题。知识、数学题的走势，也不能直接代表长会话、工具调用、图像理解或中文写作。此轮仓库没有可供我们下载并逐日复算的完整原始 .eval 日志；我们核对的是公开协议和进度公告，不是对九十道题的独立复测。

反过来，若未来真的穿过全部门槛，能说的是：在这套固定题、此时段、这个订阅版 Claude Code 路径里，项目检出性能变化。若要说“厂商暗改权重”甚至“有意降级”，还需要能识别原因的另一类证据。统计检出的是现象，不是动机。

同样要小心对照臂的解释。如果 Opus 5 与 Opus 5.5 都在同一天滑落，可能是共同的执行条件扰动；若只有主臂滑落，也不能直接证明某个模型文件被替换，因为防护、服务路由或只触发主臂的条件仍未被外部实验一一隔离。对照帮我们排除部分解释，不是能打开服务器内部的显微镜。文章的标题用了人们会问的“变笨”，正文得用测量能支持的语言回答。

手上已经有一次失败的人，不必等项目三十天走完才行动。把失败时的原始任务、预期结果与验收测试、日期、入口、模型、显式 effort、CLI 和工具版本、系统指令、上下文长度、token 与停止原因一起保存，再在同一道题上重复。只有长会话失败，先固定上下文；只有换 CLI 后失败，先比执行环境；若同条件反复失败，再向服务方提交脱敏且获授权的复现材料。

Livenerf 眼下最有价值的，不是一张能替你裁判的曲线，而是提醒我们把问题问准。个人体验可以是警报，预注册和重复测量则决定警报何时足以变成结论。等公开后续窗口真的出现，再看它抓到了什么——也看它无力覆盖什么。