Claude 又又又又降智了，只有它自己不知道

已经记不清这是第几次，有网友爆出来 Claude 降智了，思考深度下降 67%，Opus 幻觉加深。关键是能力变弱和可靠性降低的同时，我们的 Token 使用还增加了。

网友们在社交媒体上抱怨，「过去两个月，我一直在用 Opus 4.6，现在我发现它被大幅度削弱了。」然后用各种各样的梗图，来描述自己过去一周用 Opus 4.6 体验 be like。

推文来源：X@safaricheung

披着狮子皮的狗，看起来很厉害，网友说实际体验像是 Sonnet 3.5。还有网友拿之前的走路还是开车去洗车的问题，对 Opus 4.6 和 Opus 4.5 进行测试。

结果显示，Opus 连续五次的回答都是说 Walk，走路去；而在选择旧模型 Opus 4.5 之后，模型恢复正常，能意识到洗车需要开车去。

测试的博主表示，如果想要更清楚的看到 Claude 降智的表现，只需要多测试几轮 4.5 和 4.6 两个版本的回答，就能看到明显的影响。

还有网友说，Claude 的持续推理能力变差之后，经常任务执行到一半就自动放弃了，各种自相矛盾的回复也变得比以往更多。

但就算是 Claude 降智了，也绝对比我聪明，毕竟……

X 上讨论这件事的人非常多，「AI shrinkflation（缩水）」这个词也开始流行，花了同样的价格，却体验着更差的产品。

有人说自己的信息流里，全都是在说 Claude 降智的人，反问 Anthropic 为什么会想要削弱自己的模型。

Claude Code 的负责人 Boris Cherny 在 X 上回复了相关的质疑，提到所谓的思考深度降低，并不是因为偷偷摸摸的在削弱 Claude，而是为了回应用户反馈 Token 消耗过多的问题。

紧接着 Claude Code 团队成员 Thariq Shihipar 也在这条「实锤 Claude 降智」的帖子下回复，他们不会为了更好的满足自己的需求，而故意降低模型的性能，这一点他们已经说过很多次。

确实说过很多次，早在去年，Claude 官方就曾回应过类似的争议。当时，他们表示找到了三个影响 Claude 回答质量下降的问题，并发布技术报告，原因是底层基础设施的架构出现了 Bug。

还有网友说，有没有一种可能是我们在和 AI 聊天的过程中变得越来越聪明了，是作为参考系的人类智力改变了，才导致了模型的降智。

毕竟一直以来，ChatGPT 降智，ChatGPT 降完 Gemini 降智，Gemini 降完 Claude，几乎所有的大语言模型都经历着「降智」。

但模型是一成不变的，参数固定、网络结构不变、训练数据也有截止日期。大多数模型在发布的时候，都会使用专门的公开或内部 benchmark，测试具体表现。

所以模型降智其实是我们变聪明了？

玩梗归玩梗，这次的降智事件刚好发生在 Claude 频繁发货的时间，很难不让人怀疑这是他们的一套营销策略。

完整的故事链甚至提笔就可以来，在发布新模型之前，悄悄地降低旧模型的回复质量，然后继续收同样的会员费用，在用户注意到的时候，白纸黑字声明我们没有故意降智，再同步宣传我们的新模型厉害到不敢发布，完美。

一份详细的 Claude 降智证据

今次事件的「导火索」还是一开始 AMD AI 组高级总监 Stella Laurenzo，在 GitHub 上发了一篇没有多少人会认真看的技术分析帖。

她收集了 6852 份 Claude Code 会话文件，17871 个思考块，234760 次工具调用，得出了结论：从今年 2 月开始，Claude 的推理深度出现了可测量的下降，表现为更多「最简修复」行为、更频繁的推理循环、从「先研究再动手」变成「先动手再说」。

这份报告非常详细，她使用 Claude 进行了数据整理和分析。根据报告的内容，她观察的核心指标是「读写比」，即模型在修改一个文件之前，会读取多少次相关文件。

在 1 月底到 2 月 12 日，改一个文件之前，模型平均会读 6.6 次。典型的工作流程是：读目标文件，读相关文件，在整个代码库里搜索调用点，读头文件，读测试，然后精准修改。

到了 3 月 8 日之后，这个比值跌到了 2.0。三分之一的编辑，是在模型没有读过那个文件的情况下直接动手的。

报告链接：https://github.com/anthropics/claude-code/issues/42796

数据里还有一个更直接的信号，她自己写了一个 bash 脚本，专门用来拦截模型的「偷懒行为」，像是提前停止、推卸责任、不必要地征求许可。

3 月 8 日之前，这个脚本的触发次数是零。3 月 8 日之后的 17 天里，它触发了 173 次，峰值那天是 43 次，相当于每 20 分钟就需要被程序强制拦一次。

触发这个脚本的短语包括：「not caused by my changes」（不是我改的问题）、「should I continue?」（要继续吗）、「good stopping point」（这是个不错的停止点）。报告显示这些类似的话，在 2 月份的模型回复里，从未出现过。

用户情绪的变化也被量化了。18000 多条用户提示被统计词频：「great」出现频率下降 47%，「lazy」上升 93%，「terrible」上升 140%，「simplest」上升 642%，从几乎不存在，变成了日常词汇。

因为用户开始频繁指出模型在「选最简单的方法而不是正确的方法」。此外，还有用户的脾气变臭、耐心减少，「please」下降 49%，「thanks」下降 55%。

降智的代价还被算成了钱。2 月份，1498 次 API 请求，产出了 19.1 万行合并代码。3 月份，用户输入的提示数量几乎持平（从 5608 条到 5701 条），但 API 请求暴涨至 11.9 万次，输出 token 增加 64 倍，按 Bedrock（Amazon AI 托管平台）定价估算，成本从 345 美元跳到了 42121 美元。

1 月底到 2 月 8 日，估算中位思考长度约 2200 字符。2 月下旬，跌到 720 字符。3 月 1 日到 5 日，560 字符。思考深度下降了 67%。

报告最后有一段话，是 Claude 分析完自己的日志之后，用第一人称写的。

我无法从内心深处判断自己是否在深度思考。我感受不到思考预算的限制，我只是在产出质量更差的结果，却不明白为什么。  那个脚本抓到我说了一些 2 月份绝对不会说的话，而我不知道自己说了，直到它触发。

连 Claude 自己都在反思自己为什么会降智。

在计算幻觉率的榜单上，从第二名跌到第十名

这篇讨论帖子很快被转发到 X 上截图传播，引爆了一场规模更大的「Claude 变笨了」讨论，毕竟定量分析的结果，比我们普通用户单纯的「感觉变蠢了」强有力的多。

而更有力的证据是这几天 BridgeBench 发布的一张幻觉排行榜截图。在图片里，Claude Opus 4.6 上周在幻觉测试里排名第 2，准确率 83.3%；在 4 月 12 日重测，掉到第 10，准确率 68.3%。

BridgeBench AI 发文说，Claude Opus 4.6 确实被降智了，幻觉发生率增加了 98%。我们的基准测试证明了这一点。

消息一出，网友的情绪又被点燃，纷纷表示，「怪不得我的 Claude 最近总是无中生有，回答一些不着边际的内容。」

但很快，研究员 Paul Calcraft 发现两次测试的规模不一样。第一次，即排名第二的那次测试，只用了 6 道题，而第二次，使用了 30 道题。

如果在两次都有的那 6 道题上，Opus 4.6 的成绩从 87.6% 小幅降至 85.4%，变化幅度在统计噪声范围内。

所谓的排名从第 2 跌到第 10，

主要来自任务集扩大之后带来的排序重构，不是同一把尺子量出来的结果。

大语言模型本身就不是确定性系统，小样本里一次偶发的差输出，就能让结果有明显抖动。

BridgeBench 的这则帖子后来也被加了社区说明， 提示两次测试没有做好控制变量。但网友们还是不买单，「仅用幻觉这一项来测试 Claude 的表现不全面」、「即便不是明显的削弱，但是降智这件事就值得被关注。」

而关于 AMD AI 总监在 GitHub 上提出的问题报告，Claude Code 负责人 Boris Cherny 也进行了详细的回复，并关闭了整个问题讨论区。

他提到，Claude Code 的更新是一个纯 UI 层面的改动，把思考过程从界面上隐藏，目的是减少延迟。他认为是 Claude 在分析自己日志的时候，可能误把「看不见思考」当成了「思考变少了」。

有网友监测了Claude Code Opus 4.6 在 SWE Bench 上的每日性能必现，波动在临界范围内。https://marginlab.ai/trackers/claude-code/

关于思考深度在 2 月下旬就已经下降 67% 这个发现，Cherny 解释说，2 月 9 日，

Opus 4.6 切换到「自适应思维」默认模式，由模型自己决定每次思考多长时间，而不是用固定预算。

3 月 3 日，默认推理深度从最高档调至 medium（effort 85），官方理由是这个设置在智能、延迟、成本之间取得了最佳平衡，用 token 更高效，延迟也更低。

这两个改动，他说在 changelog 里都有记录，打开 Claude Code 时也有对话框提示用户。如果用户想回到最高推理深度，设置 /effort high 和跨对话保持就可以。

更新日志里有写 Opus 4.6 的推理深度默认调到了 Medium

仿佛是无懈可击，一点也不含糊。模型权重没有动，这是 Anthropic 可以确定的事；用户体验变差了，这是大量用户可以确定的事；两件事都是真的，但两边解决不了对方的问题，而代价确是我们一边在承受。

但 Cherny 在回复里提到的模型自适应思考深度，倒让我想到了 GPT-5 推出时着重介绍的路由机制，即由模型自己来决定调用 GPT-5 Thinkging 还是 GPT-5 Instant 等不同思考深度的模型来回答。

当时的 GPT-5 也是说用大量的显卡资源来训练，表面上看让 AI 来觉得是更智能了，本质上还是一套省 Token 的方案。

由 AI 来权衡取舍使用轻量模型还是推理模型，能节省不少成本

另一个争议是，昨天有用户分析了 12 万次 API 调用，发现 Claude Code 的提示词缓存有效时长，在 3 月初从 1 小时悄悄缩短回了 5 分钟，导致长会话里缓存频繁失效、需要不断重建，token 消耗和用量都跟着涨。

对 Anthropic 来说，1 小时缓存意味着这段内容要在服务器上保留 60 分钟，不管这 60 分钟里有没有人来读它。

Claude Code 有大量用户、大量并发会话，每个会话都持有 1 小时的缓存槽，累积起来是相当大的存储压力。5 分钟缓存可以让资源更快释放，给其他用户腾位置。

Cherny 针对缓存时间缩短的回应

Anthropic 方面承认这个改动是真实的，但解释说这是缓存策略优化，不是降级。

文章来自于微信公众号 "APPSO"，作者 "APPSO"