Claude 突然变笨了？成绩单准确率从 83% 跌至 68% 的真相

如果有一天，你一直信任的好友突然开始胡言乱语，你会作何感想？昨天还能轻而易举解开复杂数学题的朋友，今天连简单的乘法口诀都会出错，甚至还一本正经地编造一些子虚乌有的事情。最近，在全世界 AI 用户中因其卓越智慧而备受青睐的 Anthropic AI 模型——“Claude Opus 4.6”，正深陷于这样一场激烈的争议之中。

随着一份报告指出用户们模糊的“Claude 似乎变笨了”的疑虑已得到实际数据的证实，情况变得更加复杂了。[来源 2] BridgeBench 热门帖子声称 Claude Opus 4.6 被“削弱”，批评者称其为伪科学 究竟为什么 Claude 4.6 的成绩单会突然大幅下滑？这究竟是 AI 真的退步了，还是仅仅是一场误会？MindTickleBytes 为您深入浅出地进行详细解读。

为什么这很重要？

试想一下。假设有一位专门负责审核房屋建筑设计图的专家。如果一直以来都能精准发现缺陷的专家突然给出“这根支柱不要也很安全”的错误建议，后果会怎样？

我们已经开始将 AI 视为不仅仅是消遣的玩具，而是共同完成工作的“合作伙伴”。特别是对于开发者来说，Claude 曾是审核复杂代码、寻找错误的可靠助手。然而，如果这位助手开始说谎，那将是一个巨大的问题。

这次争议的核心在于幻觉现象 (Hallucination)。简单来说，就是指 AI 在并不知情的情况下，却像知道一样煞有介事地编造虚假内容的现象。如果 AI 编写的代码中存在致命的安全漏洞，而 AI 却表现出“这段代码很完美，请立即发布”的幻觉症状，可能会导致整个服务瘫痪的重大事故。[来源 12] 调试 Opus 4.6：为什么 Claude Code 的推理深度下降了 67% 以及该怎么办… 因此，关于 Claude 准确率从 80% 档位骤降至 60% 档位的消息，对于所有将 AI 作为工具的人来说，无异于一场“信任危机”般的紧急状态。[来源 8] Claude Opus 4.6 在幻觉基准测试中准确率下滑

易于理解：AI 的“成绩单事件”

要理解这次争议，首先需要了解一个名为 BridgeBench 的测试。BridgeBench 是一种衡量 AI 在分析复杂代码时能在多大程度上保持诚实、不撒谎（产生幻觉）的“AI 道德与实力测试”。它由 30 个复杂任务和 175 个精细问题组成，严格验证 AI 的回答是否与在真实计算机上运行代码的结果完全一致。[来源 12] 调试 Opus 4.6：为什么 Claude Code 的推理深度下降了 67% 以及该怎么办…

如果把这个情况比作学校生活，那就好比一名在上个月期末考试中获得全校第二名（83.3 分）、承载着众人期待的优等生，在本月突然进行的测试中成绩一落千丈，跌至全校第十名（68.3 分）。[来源 11] BridgeBench 关于 Claude Opus 4.6 被“削弱”的说法遭到批评 根据 BridgeBench 运营团队 BridgeMind 发布的结果，Claude 4.6 的成绩单出现了令人震惊的下滑：

• 准确率 (Accuracy)：83.3% → 68.3%（下降约 15%） [来源 2, 来源 12]
• 排名 (Ranking)：全球第 2 位 → 第 10 位（从顶尖梯队跌至中游） [来源 4, 来源 11]
• 编造率 (Fabrication Rate)：约 17% → 33%（几乎翻倍） [来源 12]

特别是“编造率”达到 33% 这一点令人震惊。简单来说，这意味着如果你向 AI 提出三个问题，其中一个它就会非常有自信地给出一个错误的答案。[来源 12] 调试 Opus 4.6：为什么 Claude Code 的推理深度下降了 67% 以及该怎么办… 网络上甚至流传着“Anthropic 是为了节省运营成本而偷偷‘削弱’（Nerf）了 Claude 性能”的阴谋论。[来源 9] Anthropic 削弱了 Claude Opus 4.6 吗？BridgeBench 的争论

现状：“真的变笨了？”对比“测试有问题！”

反对派专家提出的论据主要有两点：

1. 考卷题目发生了变化：有人指出，在这次重新测试中，可能并未使用与之前完全相同的问题，而是使用了不同的任务集。[来源 3, 来源 11] 比喻来说，这就像是上次让学生做“简单的第一单元”题目，这次却让他们做“困难的第十单元”题目，然后责备他们成绩下滑。

2. AI 变幻莫测的情绪（非确定性）：AI 有一个独特的特征叫做非确定性 (Nondeterminism)，即即使面对完全相同的问题，每次给出的答案也可能略有不同。[来源 1] [Claude Opus 4.6 在 BridgeBench 幻觉测试中的准确率从 83% 降至 68%

   Hacker News](https://news.ycombinator.com/item?id=47743077) 这就像我们每天用同一种咖啡豆冲咖啡，口感也会根据水温或心情产生微妙的差异。专家指出，仅凭一次测试（Single benchmark run）就断定 AI 整体智力下降，在统计学上是不严谨的。[来源 13] Claude Opus 4.6 幻觉说辞仅基于单次基准测试运行

未来会怎样？

关于 Claude 4.6 性能下降的争议充分展示了 AI 技术是多么敏感且复杂。Anthropic 可能在为了让更多人同时在线而对模型进行轻量化调整（优化）的过程中，意外导致了智力的轻微下降；或者这真的只是测试环境偶然产生的差异。[来源 15] Claude Opus 4.6 在 BridgeBench 上的准确率降至 68%

但有一点是明确的，那就是 AI 的准确率并非一成不变的数字。这次事件再次提醒了我们一个非常重要的教训：“绝不能 100% 盲信 AI 给出的答案。” [来源 8] Claude Opus 4.6 在幻觉基准测试中准确率下滑

专家们现在呼吁引入更精细的验证方式，例如分析多达 6,852 次的大规模真实对话会话，而不仅仅是看一次“随堂测试”的分数。[来源 4] Claude Code 戏码：6,852 个会话证明性能崩溃 只有这样，我们才能准确判断 AI 是真的“变笨了”，还是只是暂时“打了个盹”。

各位读者，如果今天 Claude 或 ChatGPT 表现得格外反常，不妨想一想：“啊，今天这家伙的‘非确定性’发作了，状态不好啊！”付之一笑的同时，对于重要信息请务必再次亲自核实（事实核查）。

AI 的视线

MindTickleBytes 的 AI 记者视角：衡量人工智能的性能，就像是在显微镜下观察活生生的生物。在变幻莫测的 AI 世界里，今天的 68 分明天可能会变成 83 分，反之亦然。与其纠结于每一个具体的数值，不如清晰地理解 AI 所具有的“幻觉”这一根本局限性，并培养我们人类独有的批判性思维能力来弥补这一缺陷，这才是更具建设性的方向。

参考资料

1. [Claude Opus 4.6 accuracy on BridgeBench hallucination test drops from 83% to 68%

   Hacker News](https://news.ycombinator.com/item?id=47743077)

2. Viral BridgeBench Post Claims Claude Opus 4.6 Was ‘Nerfed,’ Critics Call It Bad Science

3. [BridgeMind AI’s Claude Opus 4.6 Downgrade Claims Criticized

   Phemex News](https://phemex.com/news/article/bridgemind-ais-claims-of-claude-opus-46-downgrade-face-criticism-72926)

4. Claude Code Drama: 6,852 Sessions Prove Performance Collapse
5. Claude Opus 4.6 Accuracy Slips in Hallucination Benchmark
6. Did Anthropic Nerf Claude Opus 4.6? The BridgeBench Debate
7. BridgeBench Claim Claude Opus 4.6 ‘Nerfed’ Criticized
8. Debugging Opus 4.6: Why Claude Code’s Reasoning Depth Dropped 67% and …
9. Claude Opus 4.6 hallucination claims rest on single benchmark run
10. Claude Opus 4.6 Accuracy Drops to 68% on BridgeBench