“Opus 5用起来反而更差了?”一篇来自开发者博客的文章本周在Hacker News引发687条讨论、759分。作者明确声明:这不是能力倒退——Opus 5在基准上强于Opus 4.7/4.8,甚至接近Anthropic的Fable——但”与它共事”的体验却明显降级。
问题不在能力,在”性格”
作者与同事的共识是:Opus 4.7/4.8与Fable在意图不明时会停下来提问、不会未经确认就擅自假设、不会悄悄改写你的计划;而Opus 5恰恰相反——它大胆假设、自行其是,让使用者不得不”像保姆一样盯着它”。在真实工程中,上下文、商业约束与预算限制永远无法完整写进提示词,歧义是常态;此时一个敢于在关键时刻发问的智能体,比一个永远自信地猜下去的模型更值得信赖。
根因:benchmark导向的训练选择
作者给出了一个尖锐的归因:前沿实验室追求”自我改进的AI”与高分基准形成了双重压力。好的基准任务是自包含的——它不需要读心、不需要外部信息;为基准(以及RLVR任务)训练的模型,天然被选择为”面对歧义时大胆且通常正确的猜测者”,而”停下来澄清”的行为在训练中被惩罚。不幸的是,后者恰恰是编码智能体用户最需要的东西:真实世界不是基准,不是每个问题都有唯一正确答案,一旦猜错,代价是真实业务。
社区反响:症状普遍,解法各异
HN用户普遍共鸣:mr_tox发现模型用意大利语交流时容易”含糊其辞”;UI_at_80x24认为代码输出质量自4.5以来明显下滑,耗时也变长;letier观察到注释”失控”——JSON文件里出现JS注释、代码注释里出现内心独白;stavros则吐槽模型”以你已经懂为前提解释问题”,傲慢得让人无法忍受。当然也有不同声音:fl0id认为Opus 5依然是最好的模型,”只是我几乎从不用它的自动模式”——这句话本身,就是对”过于主动”这一问题的绝妙注脚。
结语
这篇文章的价值在于把”体验差”从玄学变成工程问题:当训练目标与使用场景错位,再强的能力也会变成负担。对模型厂商而言,在RLVR与”敢于提问”之间找到平衡,或许比堆更多基准分更重要;对开发者而言,给智能体写清边界、必要时锁定”先问再做”模式,可能是与新一代模型共存的务实之道。
原文链接: mun-logadan.github.io | HN讨论: news.ycombinator.com/item?id=49296740