Opus 5.5 变笨了？仪表盘说没事，但有一个人拿出了 6638 条记录

过去一周，X 上最热的 AI 话题不是新模型发布，是“Opus 5.5 变笨了”。11 月 4 日到 6 日，投诉达到新一波高峰，24 小时里相关帖子约 2,700 条。数据工程师 Irushi 发帖说，她数了 9 次——模型 9 次重复了她已经明确拒绝的方案，尽管她给了严格的指令。另一位开发者直接 @Anthropic 说：“在 medium 档，它比 Sonnet 5.5 还差。”

先把结论放在前面：这件事至今没有定论，Anthropic 截至 11 月 7 日没有公开回应。但两边的证据都够硬，硬到可以同时成立——而这正是它值得写的原因。

先看投诉这一边。最有分量的一份证据来自 GitHub issue #105112，一位重度用户统计了自己本地 Claude Code 记录里的 6,638 条 Opus 5.5 回答。10 月 19 日之前，回答里需要他动手纠错的占 5.2%；10 月 19 日之后，这个数字跳到 25.4%。台阶落在 10 月 18 日晚上 8 点 52 分到 10 月 19 日下午 1 点 13 分之间，而这段时间里，他的客户端版本、CLAUDE.md、钩子配置和 29,503 个 token 的缓存前缀，一个字节都没变。调高 effort 也没用：high 档的纠错率同样从 5.4% 升到 26.6%。到 11 月 4 日更新时，当周纠错率仍有 17.0%，而 8 月底到 10 月中一直是 3.6% 到 7.0%。另一位用户在不同系统、不同版本上发了类似报告（#105477）。这位作者的原话值得一字不差地记住：模型“做了同样多的调研，调了同样多的工具，花了更多的思考 token，然后写出了一个无视甚至 contradicts 它刚读过的内容的答案。”

再看仪表盘那一边。两个专门为回答“变笨了吗”而建的公开追踪器，都说没变化。LiveNerf 每天用同一套冻结的 78 道题、钉在 2.1.280 版的 Claude Code 上测 Opus 5.5，三个 10 天窗口都没测出变化，第三个窗口是 +0.028 ± 0.023。BridgeBench 的 NerfBench 每次运行都在发布时分数的 94.2% 到 105.8% 之间，10 月 16 日的结论是“No nerfs detected”。AI Stupid Level 的综合分约 94 ± 0.3，趋势稳定。

两边都对得上，那就只有一个解释：它们测的不是同一种东西。仪表盘测的是固定的、 mostly 单轮的题目；投诉来自漫长的、有状态的 agent 会话——几十万 token 的上下文、工具调用、记忆文件和隐藏系统提示全搅在一起。模型可以在 78 道冻结题上和发布时一样好，同时在“读了这个文件，然后按它行动”这件事上变差。#105112 讲的正是这个缺口：调研做了，答案却把它无视了。

还有一个已经证实的混淆因素，Anthropic 自己的文档写着：Opus 5.5 和 Haiku 5.5 默认是 medium effort，而 Opus 5 和更早的 Opus 默认是 high。不写 effort 的请求，直接低了一档。很多人从 Opus 5 升级上来，什么都没改，模型却悄悄少想了一档——“感觉变轻了”至少有一部分是这个原因，不是中途改了权重。另外，Opus 5.5 上线就带“preserved thinking”——防蒸馏机制下，约十个 thinking block 只有一个带可见文字，你看不到它为什么答错，出了问题也无从自查。

Anthropic 不是第一次遇到这种事。今年 4 月 23 日的 postmortem 里，它承认数周的 Claude Code 投诉源于三次产品改动：默认 effort 从 high 降到 medium、一个反复清空思考的缓存 bug、一条限制啰嗦的系统提示。权重没变，体验变了，4 月 20 日随 2.1.116 修好。两次都是先有数周的用户报告，公司才认账。

所以我的判断是：别再问“变笨了吗”，问错了问题。真正的问题是，你租了一个会动的靶子，却没有任何行为变更日志。托管模型的名字不变，权重、路由、服务端提示、护栏策略都可能在动——#105112 的台阶如果属实，就是一次没有上状态页、没有版本号的服务端变化。订阅用户看不到 effort 档位、看不到隐藏推理、看不到服务端改动，“感觉变差了”既无法证实也无法证伪，只能在网上吵。

对每天靠 Claude Code 干活的人，建议就四条。第一，显式设置 effort，别用默认：output_config.effort 写死 high 或 xhigh，至少排除最常见的混淆因素。第二，钉住 CLI 版本，别让自动更新悄悄换掉你脚下的 harness。第三，自己建一套回归套件：固定几个你自己的真实任务，定期重跑，分数掉了你第一个知道，不用等网上吵起来。第四，留一个 fallback 模型——Sonnet 5.5 已经被不少用户当作“更稳定”的替代品写进帖子里了。

这个结论不成立的情形：如果你只用 Claude 网页版聊聊天、问问问题，不用 Claude Code 跑长会话 agent 任务，这场争论跟你基本没关系——仪表盘的数据对你那个用法就是准的。另外再强调一次：“变笨”本身尚未证实，#105112 是单人、单工作流的测量，没有独立验证；Anthropic 也可能在未来回应里给出完全不同的解释。但“没有变更日志”这一点，不需要等任何人回应，它现在就是事实。