你的模型變笨了嗎？這個感覺可能有兩種來源。

一種是真的變差。2026 年 4 月，Anthropic 公開確認了三項變更。Claude Code 預設的 effort（模型思考要投入多少的設定）被調低。一個 bug 讓閒置超過一小時的對話，之後每回合都清掉先前的思考。還有一行系統指令（system prompt）要求回答更精簡。這三項都發生在產品上，那次事件沒有影響 API。

另一種是感覺變差。Arvind Narayanan 和 Sayash Kapoor 談 GPT-4 爭議時提到一個假說：人用得越多，越容易注意到模型的限制。他們也提醒，模型行為改變和能力退化，對使用者來說可能感覺很像。

Nerf 原本是遊戲用語，指把角色或武器改弱。NerfBench 想用反覆執行的測試，取代「我覺得」。

NerfBench 怎麼測

NerfBench 是 BridgeBench 推出的追蹤榜。做法像同一份私有考卷：50 題，每題考 3 次。第一次的成績當 100% 的基準，之後每次都和它比。

90–110% 算正常波動，因為光靠運氣，分數本來就會上下跳。要連續兩次往同一個方向超出範圍，才算數。

榜上現在長怎樣

榜上最新一次測試是 10 月 16 日，追蹤 4 個模型，沒有任何一個超出正常範圍。

NerfBench 上四個模型的 Power 走勢，正常範圍是 90% 到 110%
四個模型的 Power 走勢與 90–110% 正常範圍。資料來源：BridgeBench NerfBench 榜，小企鵝重繪

分數怎麼看

NerfBench 的分數叫 Power，以下簡稱分數。通常大約六成看答對率，其餘看用了多少 token（模型處理文字的計量單位）和花多少錢，用得越少越加分。所以分數高，不代表模型更聰明。Codex 不回報費用，計分比重不同。

依官方公式試算，有兩種情況值得知道。答對率掉了不少，分數可能還在正常範圍。模型變便宜、答對的題目變少，分數甚至可能上升。

榜上的例子：Opus 5.5 在兩週內從 94.2% 變成 105.8%，兩個數字都算正常。

看分數時要記得：

  • 測的是單次回答，沒有工具，和每天用 Claude Code 做專案不一樣。
  • 分數變了，看不出是哪個原因造成。
  • 完整題目和答案沒有公開，公開頁面也沒有每次測試的答對率、token 和費用，外人無法自己重算。
  • 官方寫每週至少測三次，榜上公開的資料點比較少，發布前也要經過審核。

誰在做這個榜

BridgeBench 和 NerfBench 都由 BridgeMind 打造，這家公司販售一款 AI 寫程式工具。2026 年 4 月，BridgeBench 另一個測試的結果引來批評。批評者指出前後兩次的題數不同，只看共同的題目，差距很小。10 月，有人公開問範圍和比重怎麼訂出來，BridgeBench 隨後公布了測試方法，題目仍維持私有。

其他追蹤榜

  • AI Stupid Level：經常測各家的 API。
  • LiveNerf：開源，每天測 Claude Code。
  • MarginLab：測 Claude Code，截至 10 月 31 日暫停偵測，正在重建基準。

覺得變笨時，依序檢查

  1. 開新對話，貼同一個問題。長對話也可能影響品質，原因看一百萬 token 的甜蜜陷阱。
  2. 看 effort 或 thinking 設定。
  3. 查 app 或 CLI 的版本和 release notes。Anthropic 文件寫，同一個模型 ID 的權重（訓練好的模型參數）不會更新，但周邊的服務可以改變。
  4. 同一題多跑幾次再判斷，因為單次結果有一部分是運氣。NerfBench 也會每題重複考。
  5. 最後才看追蹤榜。

榜上沒有異常，不代表你的情況沒變。榜上有異常，也看不出原因。