省流版：解决方案

如果你只想要答案，不想看分析，这里是解决办法：切换回 Opus 4.5。

方法一：临时切换 每次启动的时候用这个命令

claude --model claude-opus-4-5

方法二：设置别名（推荐） 这也是我自己用的办法 在 ~/.zshrc 或 ~/.bashrc 里加一行：

claude4.5() { claude --model claude-opus-4-5 "$@"; }

保存后 source ~/.zshrc，以后直接输 claude4.5 启动。

方法三：改默认模型

claude config set model claude-opus-4-5

代价：4.5 的上下文窗口是 200K，4.6 是 1M。如果你经常处理超长文档，4.6 还是有优势。但对大多数日常任务，200K 够用了。

以下是详细分析，想知道"为什么会这样"可以继续往下看。

Opus4.6真的变蠢了

最近用 Claude Code 是不是感觉它变蠢了？

我前几天写代码，让 Claude 帮我改一个 bug，它来回改了 5 次都没改对。每次都信誓旦旦说"已修复"，结果一跑还是报错。以前这种 bug 一次就搞定了。

后来我试着切换到 Opus 4.5——就是现在默认 4.6 的上一代——同样的 bug，一次就修好了。

这让我开始怀疑：是不是新版本反而不如旧版本？

我不是唯一有这种感觉的人，网上和身边都是这种感觉。

证据一：STUPIDMETER 排行榜

有个叫 STUPIDMETER 的开源项目专门做 AI 模型的实时监测（https://aistupidlevel.info/）。它不是一次性跑个分就完事，而是持续跑 140 多个编码和调试测试，从正确性、稳定性、恢复能力、效率等多个维度打分。

代码在 GitHub 上完全公开，任何人都能审查。

看看最近的排行榜：

注意看 Opus 这一列：版本越新，分数越低。

4.1 是 66 分，4.5 是 64 分，最新的 4.6 只有 62 分，还被标了个 WARN。

更离谱的是，Sonnet 4（一个比 Opus 便宜的"小模型"）拿了 70 分，比所有 Opus 版本都高。

当然，这个榜单也有局限性——它主要测编码任务，不覆盖通用对话。而且作为一个相对较新的项目（2025 年 9 月才被报道），还没有经过学术界的严格验证。

但趋势是有参考价值的：Opus 越新分数越低，这不是随机波动，是连续三个版本的持续下滑。

证据二：AMD 高管的 6852 条对话

这不只是一个小网站的测试结果。

AMD 的一位 AI 总监公开了他和 Claude 的 6852 条对话记录，做了详细分析。这个人不是普通用户，是硅谷大厂的技术高管，每天重度使用 AI 写代码。

他的结论是：Opus 4.6 的思维深度比 4.5 下降了 67%。

什么是"思维深度"？简单说就是 AI 在回答问题之前"想"了多久。Claude 有一个 thinking 模式，会在回答之前先做推理。以前会想 3 分钟的问题，现在 1 分钟就草草交卷了。

他还算了一笔账：因为 4.6 变得更容易敷衍，需要反复重试才能得到满意的结果，他的 API 费用从之前的 $345/月暴涨到 $42,121/月。

122 倍。

这件事后来被 The Register、InfoQ 等科技媒体报道。Anthropic 最终承认了存在"基础设施问题"，但强调"不是故意降级"。

证据三：社区的声音

Reddit 和 GitHub 上，关于"Claude 变蠢了"的帖子获得了超过 1060 个赞同。

这不是小众吐槽，是用户的集体反馈。

评论区的描述高度一致：

• “以前一次能搞定的任务，现在要反复提醒”
• “长对话后明显开始糊弄”
• “代码质量肉眼可见地下降”
• “给它明确的指令也会自作主张简化”

当这么多独立的用户报告相同的问题，这就不是个案了。

我的实测：到底哪里出了问题？

看到这些证据后，我想自己验证一下。

我设计了几组测试，同时让 4.5（我当前用的版本）和 4.6（通过子代理调用）回答同样的问题。

测试一：经典智力题

• 狼羊白菜过河
• 蜗牛爬井
• [1,2,3].map(parseInt) 返回什么

结果：两个版本都答对了。

测试二：复杂任务

我给了一个多步任务，要求：

1. 分析一段代码的所有问题（至少找出 5 个）
2. 解释每个问题为什么是问题
3. 给出修复后的完整代码
4. 写 3 个测试用例
5. 分析时间复杂度和空间复杂度

结果：4.6 找出了 7 个问题，每一步都执行了，还给了详细的复杂度分析。

测试三：需求细节保持

给了 10 条详细需求写一个函数，要求写完后逐条检查是否满足。

结果：4.6 全部满足，还主动做了检查清单。

测试四：记忆力测试

在对话开头给一段信息（猫的名字、年龄、喜欢吃什么、几点起床），然后问 5 个无关的技术问题，最后再问开头的信息。

结果：4.6 全部记住了。

测试五：模糊任务

只说"帮我看看这段代码，有什么问题吗？“不明确告诉它要做什么。

结果：4.6 找出了 4 个问题，给了完整修复方案。

实测结论

在短对话、明确任务的场景下，4.6 表现依然不错。

那问题出在哪？

根据社区反馈和我的体感，“降智"可能更多发生在：

• 长对话后：上下文积累到一定程度后开始敷衍
• 开放性任务：没有明确指令时更容易选择省力的方案
• 需要主动发现问题的场景：被动回答还行，主动思考变弱了

这就引出了下一个问题：为什么会这样？

原因分析：三个猜测，哪个靠谱？

猜测一：算力分配不均

我有一个问题一直想不通：如果 Anthropic 算力不足，为什么不是所有模型都变慢/变蠢？为什么 Sonnet 反而分数最高？

一个可能的解释是：不同模型配置了不同的算力配额。

这不是我瞎猜。AI 模型的推理是有成本的——每多"想"一秒，就多烧一分钱。公司完全有动机对不同产品线设置不同的"思考预算”。

Sonnet 是 Anthropic 的主力产品。大多数用户用的是 Sonnet（便宜、速度快），Claude.ai 网页版默认也是 Sonnet。这是他们的门面，绝对不能出问题。

而 Opus 呢？用户相对少，大多是付费的重度用户。这群人"忠诚度高”，不容易流失。而且 Opus 本身就贵，边际成本更高。

如果要省成本，先从 Opus 开刀是合理的商业决策。

这个猜测能验证吗？

很难直接验证。Anthropic 不会公开他们的资源分配策略。

但有一些间接证据：

• STUPIDMETER 的数据显示 Sonnet 4 分数比所有 Opus 都高
• 社区反馈中，抱怨 Opus 降智的比抱怨 Sonnet 的多
• Anthropic 在 2 月引入"自适应思维模式"后，Opus 的 thinking 时间明显变短了

猜测二：模型在持续修改

我有个朋友在外企做 AI，他们公司买了 Claude 的授权，在自己服务器上本地部署。

他说他们的版本很稳定，没有感觉到"降智"。

这很有意思。如果本地部署版稳定，说明问题不在模型本身，而在 Anthropic 线上版本的持续改动。

具体来说，Anthropic 在今年做了几件事：

2 月：引入"自适应思维模式"

这个功能会根据问题的复杂度，自动调整 AI"思考"的深度。简单问题少想一会儿，复杂问题多想一会儿。

听起来很合理——省资源嘛。

但问题是：谁来判断一个问题是"简单"还是"复杂"？

是模型自己判断。而模型有时候会误判。它可能觉得一个问题很简单，就浅浅想一下就回答了，结果答错了。

3 月：默认推理等级从"高"调到"中"

这是社区调查发现的。Anthropic 没有公开宣布，但有人对比了前后的 thinking 日志，发现默认的推理深度确实变浅了。

也就是说，AI 现在默认会选择更省力的方案，而不是最优方案。

这个猜测能验证吗？

可以间接验证：

• 对比本地部署版和云端版的表现（需要有企业授权）
• 对比同一天不同时段的回答质量（如果是服务端配置问题，可能会有波动）
• 观察 thinking 日志的长度变化

我没有本地部署版的权限，但从我朋友的反馈看，这个猜测是可能成立的。

猜测三：技术层面的 Bug

Anthropic 自己也承认了几个技术问题：

TPU 配置错误

部分请求被路由到了配置不对的服务器。这不是模型的问题，是基础设施的问题。相当于你本来应该坐高铁，结果被塞上了绿皮火车。

XLA 编译器 Bug

XLA 是 Google 开发的机器学习编译器。Anthropic 用它来优化模型推理。但有个 bug 会导致某些情况下排除掉最高概率的 token——也就是说，AI 该说的话没说出来。

想象一下：你问 AI 一个问题，它心里知道正确答案，但嘴上说出来的是第二正确的答案。这就是这个 bug 的效果。

上下文压缩过度

这是最致命的一个。

当对话超过 40% 的上下文窗口，系统会自动压缩之前的内容。压缩本身不是问题，问题是压缩得太狠了。

结果就是：长对话后 AI 会开始重复自己、前后矛盾、忘记之前说过的话。

这就解释了为什么社区反馈中"长对话后变蠢"是最常见的抱怨。

这个猜测能验证吗？

可以。

你可以做一个简单的测试：

1. 开一个新对话，问一个复杂问题，观察回答质量
2. 在同一个对话里继续问很多问题，把上下文堆到 40% 以上
3. 再问一个类似复杂度的问题，对比回答质量

如果第二次明显变差，就说明上下文压缩在起作用。

当然，以上都只是我的猜测，没有官方证实。

不只是 Anthropic：国内厂商也在限流

算力问题不是 Anthropic 一家的困境。国内厂商也在面对同样的问题，只是表现形式不一样。

智谱 GLM：抢购 + 双涨价

我之前想买智谱的 GLM Coding Plan。

抢了好几次，每次都是掐着 10 点开抢，每次都是秒没。

后来我才知道，智谱从 1 月 23 日开始限量发售，每日可销售量降为之前的 20%。

你能想象那种感觉吗？你明明愿意付钱，也知道这个工具好，还愿意花时间折腾——但你就是买不到。

智谱今年已经涨了两轮：

• 2 月 12 日：国内涨 30% 起，海外涨 30%-60%，API 调用涨 67%-100%
• 4 月 8 日：发布 GLM-5.1，再涨 10%

之前有人说"国内抢不到可以买海外版"——现在这条路也堵上了。海外涨幅比国内更狠。

更扎心的是，根据网上反馈，就算抢到了体验也不好。不少用户吐槽 GLM Coding Plan 的实际表现和宣传有差距，有时候还不如直接调 API 稳定。

Coding 类模型是高并发、高显存消耗的怪物。厂商的算盘很清楚：限量 + 涨价，两头堵。宁可少卖一点，也不能亏本卖。

阿里通义灵码：砍掉低价版

阿里的操作更直接——直接把便宜的版本下架了。

4 月 13 日起，Coding Plan Lite 停止续费和升级。

原来 Lite 版 40 元/月，续费还能打五折只要 20 元。现在呢？只能买 Pro 版，200 元/月。

涨幅：10 倍。

这不是涨价，这是换赛道。把低端用户直接清出去，只服务付得起钱的用户。

这和 Anthropic 的问题是一回事吗？

本质上是一回事：AI 算力是有限的，但需求在爆发。

只是表现形式不同：

• 智谱选择限量供应——你想买，买不到
• Anthropic 选择悄悄降级——你能用，但不如以前好用

哪种更诚实？我觉得智谱的做法至少是明牌。Anthropic 的问题在于：用户不知道发生了什么。

你以为你在用顶配版，其实你可能在用降级版。你以为是你的问题，其实是他们的问题。

为什么 Sonnet 分数最高？

这是我最困惑的一点。

按理说 Opus 是旗舰版，应该比 Sonnet 强才对。但 STUPIDMETER 的数据显示，2025 年 5 月的旧版 Sonnet 4 拿了 70 分，比所有 Opus 版本都高。

我有几个猜测：

1. Sonnet 是主力产品，不敢动

大多数用户用的是 Sonnet。Claude.ai 网页版默认就是 Sonnet。这是 Anthropic 的门面，是拉新用户的第一印象。

如果 Sonnet 变蠢了，用户会立刻流失到 GPT 或者其他竞品。但 Opus 用户呢？都是付费的重度用户，粘性高，不容易走。

2. Opus 被当成实验田

付费高级用户反而成了小白鼠。新功能、成本优化，都先在 Opus 上试。试出问题了，再调整。

3. 那个旧版 Sonnet 没被改过

2025 年 5 月的 Sonnet 4 可能是"纯净版"，没有加入后来的"自适应思维"和各种优化。它就是老老实实按照原来的方式跑，反而保持了最好的性能。

有时候"不更新"是最好的更新。

我们能做什么？

作为用户，能做的不多，但不是完全没有。

用脚投票是最直接的反馈。

如果你觉得 4.6 不好用，就切换到 4.5。Anthropic 会看到用户的选择。当越来越多人手动切换旧版本，他们自然会知道问题在哪。

但更根本的问题是：AI 公司需要更透明的变更日志。

现在这些"优化"都是静默进行的。用户只能通过体感去猜"是不是变蠢了"，然后上网搜索、看社区讨论、做对比测试……

这本不该是用户的责任。

如果 Anthropic 能公开说"我们在 3 月把默认推理等级从高调到了中"，用户至少知道发生了什么，可以自己决定要不要改回去。

信任建立在透明之上。

我理解 AI 公司有成本压力，有技术限制。但至少告诉用户发生了什么。不要让我们自己当侦探。

写这篇文章的时候，我一直在想一个问题：

当你发现你信任的工具在悄悄变差，你会怎么做？

换一个工具？忍着继续用？还是像我一样，花几个小时研究到底发生了什么？

也许这就是 AI 时代的新常态。工具在变，平台在变，游戏规则也在变。唯一不变的是：你得保持警觉，不能闷头用。

用 AI 的人分两种：一种是被 AI 用的人，一种是用 AI 的人。

区别就在于：你知不知道它在干什么。