620 条评论在吵：Opus 5 更聪明了，也更难合作了

今天 Hacker News 第三大的帖子是一篇博客，标题是《为什么 Opus 5 用起来感觉更差了》，十一个小时 671 分、620 条评论。作者一开始就说明这是个人经验，管自己的解释叫毫无根据的猜测，也没给数据。还是值得写，因为当六百个工程师涌进来认同同一种感受时，这份感受即便不是关于模型的数据点，也是关于这个行业的数据点。

抱怨很具体，所以才炸。Opus 5 的分数高于 Opus 4.7、4.8 和 Fable，但日常用起来，它会在老模型本该停下来问"你到底要什么"的地方，自己做假设然后往下走。作者用的词是"看小孩"。以前歧义会产生一个问题，现在歧义产生一个自信的分支，而分支错了你四十分钟后才知道。

真正有意思的是他猜的机制。benchmark 一定有标准答案，所以在歧义面前敢做"通常是对的"大胆假设的模型，分数会高过停下来问的那个。在 benchmark 上问一句澄清，等于这次尝试失败了。在真实仓库里问一句澄清，是正确操作。你如果对着第一种环境往死里优化，就会系统性地把第二种环境里最要紧的行为训没；而评测越是 agent 化、越是长周期，这个梯度拉得越狠。

不管这是不是 Opus 5 的真实成因，这个结构性的点是成立的，而且时机很响。昨天 Google 的 Gemini 3.7 Flash 发布材料专门写了它会在意图模糊时主动要求澄清——一个厂商把"知道什么时候该停下来问"当成卖点写进头条。与此同时，DarwinX 和 AutoDesign 本周都证明了 harness 可以被搜索出来贴合任务。如果问题出在模型面对歧义时的性情，那修的地方就是 harness；而现在根本没有人给性情打分。

这暴露出来的空白才是可带走的东西。没有任何被广泛使用的评测在衡量"该问的时候问了，而不是猜"，也就意味着没有任何人有压力把这件事做好。原文在 mun-logadan.github.io/why-does-opus-5-feel-worse。