目录

对约1,400次Claude Code会话的分析发现,2026年11月3日前后出现了突变,也有报告称编码结果变差。这些证据足以支持调查其行为变化,但尚不能证明Claude Opus 5.5的底层推理能力有所下降。

要点#

  • Shane Melaugh报告称,11月3日之后,初始推理变短,执行与编辑错误指标增加了47%。
  • 在一次调试对比中,据称“high”设置经过160轮交互仍未解决问题,而“xhigh”仅用5轮便成功了。
  • Theo Browne对约45.8万条响应的另一项分析发现,可见推理发生了变化,但在他的环境中未发现能力下降。
  • 可见推理是生成的摘要,仅凭其措辞变化无法证明推理能力下降。

11月3日发生了什么变化#

开发者Shane Melaugh发现,Claude Opus 5.5开始难以完成以前能够胜任的任务,于是展开调查。据所提供的GIGAZINE文章介绍,他使用Gemini 4 Argon分析了2026年10月9日至11月7日期间记录的约1,400次Claude Code会话。

分析发现,11月3日前后,即日本时间11月4日凌晨3点左右,可见推理的措辞发生了突变。以“I’m”开头的句子占比从约20~30%升至61.3%。“I should”和“I need to”等表达的占比则从约50%降至10.9%。

据报告,7次已经进行中的会话也出现了这种变化。这说明服务端的变更值得调查,但无法确定具体哪个组件发生了变化,也无法确定任务表现是否因此变差。

有关性能的证据#

Melaugh还比较了变化前的14,560轮交互和变化后的14,871轮交互。据报告,即使将推理力度设为“high”,首次操作前使用的思考token数中位数仍从84降至54,降幅约36%。

脚本执行与程序编辑的错误指标增加了47%。相比文风变化,这些数字与编码可靠性更相关,但如何解读取决于指标定义,以及任务之间是否具有可比性。

此外,据报告,所分析的交互中有40.5%没有输出思考token。不应将其解读为模型内部完全没有进行推理的证据。仍需确认所记录的输出、可见摘要与内部计算之间的关系。

high与xhigh的比较#

最明确的实例是修复同一程序的音频播放错误。Melaugh报告了以下结果。

| 设置 | 交互轮数 | 报告的结果 | 报告的费用 | |---|---:|---|---:| | high | 160 | 约3小时后仍未解决 | 13美元 | | xhigh | 5 | 修复完成 | 0.85美元 |

据报告,high的思考token数最大值为1,941,xhigh为12,837,相差约6.6倍。在这次尝试中,允许更多推理的设置反而产生了更低的总费用。

这为调试陷入僵局时尝试调整推理力度提供了有用依据。不过,这不足以得出xhigh始终具有32倍效率的结论。由于只涉及一个错误,执行路径和会话上下文也可能不同,因此无法推导出普遍的性能比。

为何尚无定论#

所提供的文章引用Anthropic的文档解释称,用户看到的并非内部处理的直接记录,而是由另一个模型生成的推理摘要。如果变化来自摘要模型,就能解释为何能力没有改变,措辞却发生了明显变化。

开发者Theo Browne报告称,他检查了约45.8万条Claude Opus 5.5响应。他发现,不同账号的措辞在10月30日至11月4日期间的不同时间发生变化,据此推测摘要模型可能是按账号逐步上线的。据称,他的数据中,每条响应的平均思考token数从369增至413,没有出现能力下降的迹象。

这些结果并不否定Melaugh的经历,而是说明了这一说法为何仍无定论。不同用户的观察结果存在差异,双方的分析也都没有提供条件受控、可复现且能证明整体能力下降的基准测试。截至所提供的11月10日文章发布时,原因仍未查明。

下一步#

选择一个可复现的失败任务,对high和xhigh进行配对测试。从相同的代码快照和相同的提示词开始,记录修复结果是否通过同一套测试,以及耗时和总费用。根据完成后的结果选择设置,并将可见推理的变化视为调查线索。

来源: https://gigazine.net/news/20261110-claude-opus-nerf/

目录