模型昨天還聰明，今天變笨了？準備一份固定考題當標準

同一個 prompt，昨天丟給 Claude 交回一份乾淨俐落的東西，今天丟過去像換了個第一天上工的實習生：讀不懂你的指令、握不住剛剛才講過的事、繞了一大圈還做錯。你沒改任何設定，於是那個念頭浮上來——它是不是被偷偷降智了？

這幾週這個念頭特別多人有，Opus 首當其衝。GitHub 上有人這樣寫自己的一週：「一天，它是全世界最好的 Claude；隔天早上，它連自己在哪個資料夾都講不出來。」另一則更火，說這落差像「相差 100 個 IQ 點」，付了每月 £200 拿到的卻是「被閹割版」。

先別急著退訂，也別急著相信「他們在偷換小模型省算力」。因為「降智」這兩個字，其實把四件機制完全不一樣的事塞進了同一句抱怨。要判斷、要自保，第一步是把它拆開。

連 Anthropic 自己，都不是靠感覺抓到降智的

2026 年 4 月，Anthropic 做了一件很少 AI 公司會做的事：針對 Claude Code 前面六週的「變笨」抱怨，發了一份公開的驗屍報告，把根因、日期、機制全攤出來。

報告裡藏著一句最該被記住的話。他們坦承：使用者回報湧進來的時候，內部使用和內部評測一開始都重現不出問題，很難跟模型本來就有的正常波動區分開。真正抓到兇手，是靠對系統提示變更做更大範圍的 ablation 測試——把每個改動一個一個關掉、比對輸出——才量出一個約 3% 的品質掉幅。

停在這裡想一下這代表什麼。原廠手上有模型權重、有完整 log、有跑不完的評測資源，一開始都分不清「真降智」和「今天手氣不好」。那末端的你，靠著幾次對話的手感就下結論，準確率會有多高？

連握有權重和 log 的原廠，一開始都分不出真降智和正常波動——你純靠感覺，當然更不行。

重點不在要你懷疑自己的觀察。手感是很好的警報器，卻是很爛的判決書：它適合提醒你「該去量一下了」，不適合直接拿來當「模型壞了」的定論。這整篇要給的，就是從警報走到判決之間，該補上的那幾步。

一句「變笨」，其實塞了四件不一樣的事

把使用者口中的「降智」攤開，至少有四種來源，成因和對策完全不同：

類型	到底發生什麼	誰造成	你能做的
真回退	權重沒動，但外圍的 harness、系統提示或預設參數改了，模型實際變差	廠商的工程變更或 bug	鎖版本、固定推理檔位、跑自己的評測
基建抖動	模型沒變，只是部分請求失敗、超時或被降級處理	廠商的基礎設施	先看 status 頁、重試、換時段
你變了	模型沒變，是你的期待變高、脈絡塞太長、prompt 習慣或這次任務更難	使用者這端	用固定考題對照、清理過長的對話
服務端優化	量化、解碼參數、取樣設定的細微差異	廠商，多半非惡意	難自證，只能靠長期監看

四月那次，是第一種——而且是三個「真回退」疊在一起。七月這波 Opus 4.8 的抱怨，目前證據還不足以歸到哪一類，可能是真回退、可能是基建抖動、也可能摻了你這端的變化。而這正是重點：先分類，再反應。看到「變笨」就直接開罵或直接退訂，等於把四種病當成同一種來治。

三個小改動，把 Claude Code 弄笨了六週

四月那份報告值得細看，因為它把「真回退」長什麼樣、需要多小的改動，示範得很清楚。三個兇手都不是動了模型本身：

第一個是推理檔位（reasoning effort）。3 月 4 日，Claude Code 把預設從 high 降到 medium，原因很務實——高檔位太慢，介面會卡。結果模型思考變淺，使用者立刻感覺到「變笨了」。4 月 7 日改回來，之後 Opus 4.7 預設拉到 xhigh。

第二個是快取 bug，也是最陰的一個。3 月 26 日上線的機制，本意是把閒置超過一小時的對話裡的思考歷史清掉、省點延遲；但程式寫錯，變成每一輪都清。模型於是愈聊愈失憶，工具選得愈來愈怪，還因為持續 cache miss 讓額度消耗異常變快——「變笨」和「額度燒超快」兩種抱怨其實同源。4 月 10 日才修掉。

第三個最不起眼：4 月 16 日，有人在系統提示裡加了一句話，要模型「工具呼叫之間的文字控制在 25 字內、最終回覆 100 字內」，目的是壓一下 Opus 4.7 的話癆。就這麼一句，實測讓 Opus 4.6 和 4.7 各掉了約 3%。4 月 20 日撤除。

三個問題到 4 月 20 日全部解決。Anthropic 強調，模型的 API 與推理層自始至終沒受影響——壞的是外圍那層 harness 和提示——並明講「我們從不刻意降智」。真正的教訓在這裡：把一個頂尖模型弄得像變笨，不需要動權重，改幾個預設、寫錯一段快取、塞一句提示就夠了。而這些改動，使用者從外面完全看不到。

Benchmark 明明升了，你卻覺得它變蠢

七月的 Opus 4.8 是個好例子，說明體感有多容易和事實對不上。

一邊，GitHub 上的抱怨很具體：Max effort 開到底，推理還是很差；握不住多個事實；被明白提示了也不先讀引用就搶答；而且時好時壞。這些是真實的使用者回報，強度也不低。但要標清楚——它們目前停在體感層級，Anthropic 還沒針對這波發出四月那種等級的根因確認。把體感直接當成「已證實降智」，會犯和陰謀論同一種錯：跳過舉證。

另一邊，Opus 4.8 上線時公開的 benchmark 其實比前代好，光 SWE-bench Pro 就從 64.3% 升到 69.2%，數學更是大漲。同一個模型，官方分數在升，一部分重度使用者的體感在降。

兩件事可以同時為真。benchmark 測的是它那組題，你在意的是你的 workload，兩者可以背離——你的任務也許正好落在模型不擅長的分布外。更何況你踩到的未必是模型：翻開 status 頁，7 月 8 日 Claude Code 網頁版和 Cowork Remote 有服務降級、7 月 10 日 Opus 4.8 出現錯誤率升高調查、7 月 13 日換 Haiku 4.5。這些是可用性事件——請求失敗、超時、可能被降級路由——和「模型智力回退」是兩回事，但坐在螢幕前的人，體感常常分不出來。

最難承認的一種：變的其實是你這端

四類降智裡，最常發生、也最少人願意算進去的，是使用者自己這端的變化。它沒有官方報告替你背書，但打開你聊天記錄的機率，比真回退高得多。

最典型的是脈絡腐化。一個開了很久的對話，塞進了大量前後矛盾的指令、改了又改的需求、早就過期的檔案內容。模型不是變笨，是被你堆進去的雜訊淹沒了——它認真地把每一條互相打架的舊指令都當回事，於是輸出開始飄。你以為換了顆腦袋，其實只是那顆腦袋在一個爛掉的房間裡工作。這也是為什麼「開一個新對話」常常像瞬間治好降智：你沒換模型，只是清空了房間。

另一個是期待漂移。第一次被 AI 驚豔到的那個瞬間，會悄悄重設你的基準線。三個月前它交出「還行」的東西你會感激，現在同樣水準的輸出，你只覺得「怎麼變這麼廢」。模型可能一格沒動，是你的及格線一路往上爬。還有 prompt 習慣：越信任它，你的指令就寫得越隨便、越省字，把越多前提留在自己腦裡沒講出來——輸入品質降了，輸出品質跟著降，這筆帳很容易記到模型頭上。

這一類最難自證，正因為它照鏡子。但也最好處理：起一個乾淨對話、把這次的要求完整寫一遍、拿你之前滿意的那次輸出並排比一比。很多「今天怎麼變笨了」的驚慌，做完這三件事就散了。

那個「97.6% 掉到 2.4%」，先別急著轉發

覺得「模型變笨」不是新鮮事，2023 年就吵過一輪，那次還留下一個常被引用的數字。

Stanford 和 UC Berkeley 的一份研究量到，GPT-4 判斷質數的準確率，從 2023 年 3 月的 97.6% 崩到 6 月的 2.4%；能直接執行的程式碼比例也從 52% 掉到 10%。數字很聳動，當時瘋傳，「GPT-4 變笨了」幾乎成為定論。

後來的檢視替它降了溫。那個質數大跳水，很大一部分被歸因於輸出格式和評測方式：新版模型傾向先講答案、再解釋，或把程式碼包進 markdown，導致自動評分程式抓不到正確結果，判成「錯」。模型的推理能力沒有真的從神掉到智障，是量測的尺歪了。

這個轉折，比原本的數字更有用。它告訴你一條該內化的紀律：看到驚人的掉幅，先懷疑量測，再懷疑模型。 一份 2024 年跑了超過五十萬次評測的量化研究也指向同個方向——70B、405B 這種大模型做完 8-bit、4-bit 量化，多數 benchmark 掉幅可以忽略，有些任務量化版甚至還略勝；但人主觀上就是傾向覺得全精度版「比較可信、比較連貫」。感知會騙人，而且是有研究撐腰的那種騙。

把感覺變成證據：現在就能做的五件事

分辨清楚之後，回到最實際的問題：下次又覺得「它今天很蠢」，你到底能做什麼？以下五件，都是把手感升級成證據、把不可控變數關掉的動作。

1. 建一組自己的迷你考題。 挑 3 到 5 個你最常丟給模型的真實任務，每個都存成一組固定考題：一份固定的輸入，配一份你當初認可的好輸出當標準答案。覺得不對勁時，把這組重跑一遍，拿今天的結果跟當初的標準答案比。這是你的私人評測，也是唯一能穿透 vibe 的東西。連原廠都得靠評測才敢下結論，你更需要。

2. 鎖住可控的變數。 明確指定模型版本，別讓它自動飄到某個代號；把推理檔位固定在你要的高度（high 或 xhigh），別用會自動幫你選的模式；能關掉的自動路由就關掉。四月的兇手之一就是預設檔位被悄悄調低——你自己指定，就免疫這一類。

3. 出事先看 status，再下結論。 罵之前先開 status.claude.com（或你用的模型的狀態頁）。如果正好有錯誤率升高或服務降級，你遇到的多半是基建抖動，重試或換個時段就好，跟模型智力無關。這一步 30 秒，能省掉一整天的錯誤歸因。

4. 回報要附可重現的案例。 用產品內的 /feedback、或去 GitHub 開 issue，但關鍵是附上能重跑的輸入和你預期的輸出。四月那次，官方主要的偵測訊號就來自使用者回報。一句「最近好爛」對誰都沒用；一個能重現的案例，才是原廠 ablation 得下去的起點。

5. 順手盯一下 token 和成本。 有些 bug 不表現成「變笨」，而是表現成「錢燒特別快」——四月的快取 bug 就同時造成兩者。如果哪天用量或帳單異常跳高，那本身就是一個訊號，值得你把那幾天的對話撈出來看。

這五件事沒有一件需要通靈，全部是把工作流變得可量測、可回溯。

你控制不了廠商，但控制得了自己這端

降智這種事會反覆發生，這幾乎可以當成前提來規劃。原因不神祕：省成本、降延遲的工程壓力一直都在，模型和它的 harness 又是持續在你看不到的地方更新的黑箱。四月不會是最後一次，也不是只有 Anthropic 一家會遇到——這是整個訂閱制 AI 工具的結構性特徵。

你控制不了他們哪天調哪個預設、改哪段提示。但你控制得了自己這端可不可量測：有沒有那組固定考題、有沒有鎖住版本和檔位、出事會不會先看 status。有這幾樣，下次那個「它是不是變笨了」的念頭浮上來時，你不用在群裡跟著喊，也不用賭氣退訂——你打開自己的考題重跑一遍，十分鐘內就有答案。

如果現在只想做一件事：去把你這週最依賴模型的那個任務，存成一組固定考題——一份固定的輸入，配一份你認可的標準答案。這是你未來每一次降智恐慌裡，唯一站得住腳的東西。