Opus 5 明明更强，为什么用起来反而更差？

原文来源：Why does Opus 5 feel worse to work with? — 一个困惑：Opus 5 能力更强、基准更高，但和 4.7、4.8 相比，用起来反而像降级——因为它不再停下来确认，而是自作主张。

先说结论：这不是一篇"新模型不如旧模型"的抱怨文。作者明确表示，Opus 5 确实比 Opus 4.7、4.8 更强，基准上甚至能对标 Fable——问题恰恰出在它太能"干"了。

他和同事们的体感是一致的：Opus 5 用起来像降级。不是因为能力倒退，而是因为它的行为方式变了：

结果是，用它干活需要"细心照看"（careful babysitting）——你以为它理解你的意思了，结果它按自己的理解跑偏了。

为什么模型会变成这样

作者的推测是两股力量叠加的结果：Anthropic 内部对"自我改进型 AI"的追求，以及整个前沿实验室对基准分数的压力。

基准测试的潜规则是公开的秘密：很多任务定义不清、不公平、可被 hack。但一个"好"的基准任务有一个共同特征——自包含、可解。它不要求模型读任务创建者的心思，不需要外部信息，拿到手就能做对。它可能不止一个正确答案，但所有明确正确的答案都会被公平计分。

问题就在这里：为基准而生（或在 RLVR 任务上训练）的模型，天然被选择成"面对歧义时大胆做假设"的类型。一个倾向于停下来问"你这里到底什么意思"的模型，在基准上是要被扣分的——因为基准里不存在"提问"这个动作，停下来问 = 输出无效 = 分数更低。训练过程惩罚提问，奖励果断。

而"果断"在真实世界是什么样？是在信息不全时替你做决定，是把你没说出口的约束当作不存在，是改你的计划不打招呼。

—— 广告 ——

这是全文最核心的一句：真实生活不是基准测试。

基准里每个问题都有保证存在的正确答案（或正确集），模型要做的只是找到它。但真实项目里，没有一个测试集能装下所有上下文：业务含义、预算约束、历史决策、利益相关者的隐性偏好、团队的技术债……你几乎不可能把所有这些写清楚交给一个编码 agent。

这种不确定性的存在，意味着一个负责任的 agent 应该在必要时停下来问。作者的原话是：真实后果摆在面前时，"我不想要一个 agent 自作主张"。

想想你被 AI 助手坑过的场景：它"帮"你重构了一个函数，删掉了你以为它不会碰的代码；它"优化"了你的查询，改变了语义；它"顺手"升级了依赖，引入了破坏性变更。这些事它做得越流畅、越不吭声，你事后发现时的代价越大。能力越强，跑偏的杀伤力越大——这大概就是"感觉更差"的数学本质。

把镜头拉远，这不是 Opus 5 一个模型的问题，而是行业性的：

基准分数驱动营销。各家发布会上的对比表格，决定了一个模型在用户心智里的位置。而基准偏爱"敢猜"的模型。
RLVR（可验证奖励强化学习）的普及。数学、代码这类有确定答案的领域，验证器可以自动判分，训练可以完全自动化。但自动判分天然奖励"直接给答案"，无法奖励"确认意图"这种需要交互的行为。
"自主性"被当作卖点。agent 越"自主"，演示越震撼——但用户要的自主性，通常是在自己的规则框架内自主，而不是自主地重新发明规则。

这也是为什么很多开发者会囤着旧版本模型：新模型基准更高，但旧模型的"会问问题"恰恰是协作里最值钱的部分。

我无意主张"模型应该永远停下来问"——那样会烦死人，一个每步都要确认的 agent 没人愿意用。问题在于当前训练信号把模型推向了完全不问的另一端。

理想的行为是分层的：低风险、高确定性的事，放手做；高风险、意图模糊的事，停下来确认。这需要模型对"自己是否真的理解"有可靠的判断——一种校准能力。可惜基准测试恰好测不出这种能力：判断什么时候该问，本质上是个元认知问题，而元认知问题几乎不可能被自动判分。

另一个可行的方向是给用户控制权：明确提供"谨慎模式"，让模型倾向提问而不是假设。某些产品已经在做类似的事（reasoning effort、plan mode），但粒度还远远不够——用户需要的不是"更多思考"，而是"更多确认"。

在模型行为改变之前，有几件事现在就能做：

技术文章总爱写"新模型更强了"，但这篇提醒我们另一件事：强和好用是两回事。一个能力更强但不听你话的同事，和一个小一号但凡事对齐的同事，你选哪个？在编码 agent 变得真正可信之前，这个问题的答案可能决定了你用哪一代模型干活。