Claude Opus 5.5 在 NerfBench 跌到 94.2%，仍没跌出正常区间

一天之内，从 100% 以上掉到 94.2%

Claude Opus 5.5 是 Anthropic 在 9 月 22 日推出的新旗舰。发布后没几天，社区里就开始流传「Opus 5.5 已经被偷偷削弱」的说法，开发者工具团队 BridgeMind 于是在自家评测平台 BridgeBench 上推出了 NerfBench：每个模型在发布当天跑一遍基准，这个成绩记为 100%；之后用同一套题反复重测，除了得分，还记录每个任务消耗的 token 和成本。

按 BridgeMind 和 BridgeBench 账号陆续公布的数据，Opus 5.5 这几轮的走势大致是：

• 首轮复测：99.2%，比发布时低 0.8 个百分点，官方结论是「未检测到削弱」；
• 随后一轮：103.8%，比发布时还强；
• 10 月 2 日（美国时间）：94.2%，单轮跌幅接近 10 个百分点。

同一轮里的其他模型：Sonnet 5.5 为 100.9%，OpenAI 的 GPT 6 Astra 为 98.0%，GPT 6.1 Sol 为 106.7%。这些百分比都只和各自的发布日成绩比，不是横向排名。

BridgeMind 为什么自己先踩了刹车

NerfBench 测的是编程代理类任务，模型要连续读代码、调用工具、改文件、跑测试。这类任务对随机性非常敏感：大模型的输出本身是采样出来的，同一道题跑两次，前几步的一个小偏差就可能让后面整条路线走岔，最终结果从「通过」变成「失败」。题量有限时，几道题的翻转就足以让总分摆动好几个百分点。

更有说服力的反证就在同一张榜上。GPT 6.1 Sol 前几天才加入、刚锁定基线，现在已经是 106.7%，没有人会因此认为 OpenAI 悄悄给它升了级。既然同一套测量能在几天内把一个模型往上推 6.7%，那把另一个模型往下压 5.8%，也完全可能是同一种噪声。Opus 5.5 自己从 103.8% 到 94.2% 的落差，某种程度上就是在给这套测量的噪声宽度画刻度。

测量之外，推理侧也有不少变量。Anthropic 曾公开说明，Claude 同时跑在 AWS Trainium、英伟达 GPU 和谷歌 TPU 等多种硬件上，不同平台的实现细节并不完全相同；此外，默认推理强度的设置、长对话里上下文的累积，也被独立分析者列为「感觉变笨」的常见来源。这些都不等于厂商主动降配。

「降智」的怀疑为什么总落在 Claude 头上

这种怀疑并非凭空而来。2025 年 8 月到 9 月初，大量用户抱怨 Claude 回答质量下降，Anthropic 起初没有给出明确解释，直到 9 月发布事后复盘，才承认期间有三个基础设施 bug 在叠加作怪：部分请求被路由到配置不对的服务器、一处 TPU 配置错误导致输出出现乱码、一个编译器层面的近似计算问题影响了词元选择。Anthropic 同时强调，公司不会因为需求或负载而降低模型质量。

那次的结论有两面：用户的体感是真的，但原因不是「故意削弱」而是 bug。问题在于，bug 被确认之前的几周里，用户手里没有任何可以拿出来对照的东西。NerfBench 的发起人在介绍项目时说得很直白：每次新模型发布都是同样的循环，第一天惊艳，几周后大家都觉得它变懒了，厂商说什么都没改，但谁也拿不出证据。这张榜想补的就是这份「证据」。

该盯的是连续三轮和 token 那一栏

按 NerfBench 自己的规则，单轮落在 90% 以下才算「掉了能力」，而真正有分量的是连续多轮都在区间下沿徘徊，而不是某一天的低点。另一个更容易被忽略的指标是 token 消耗：如果某个模型的得分走低，同时每个任务用的 token 也明显变少，那更像是推理预算被收紧了；如果 token 没变、分数在上下抖，那多半还是测量本身的波动。

BridgeBench 已经承诺投入 1 万美元，在接下来几个月持续做这类复测，并加入更多模型、提高频次。真要哪天 Opus 5.5 稳定跌破 90%，Anthropic 面对的就不再是论坛里的抱怨帖，而是一条任何人都能查到的公开曲线——到那时，是 bug 还是调整，总得给个说法。