全網(wǎng)罵Claude變笨，Anthropic下場揭秘：坑你的不是模型

換更大的模型就等于更聰明？

【導(dǎo)讀】換更大的模型就等于更聰明？這可能是Claude Code用戶最深的誤會。很多人為此一路換到最貴的Fable，近日，Anthropic，親手澄清了這個誤區(qū)。

你有沒有過這種時刻：Claude Code寫代碼寫砸了，第一反應(yīng)，就是趕緊換個更強的模型。

但這一招，很多時候并不管用，甚至是在白花錢。

近日，Anthropic官方發(fā)了一篇長文專門來講這件事。

Anthropic官方長文

起因是太多人把Claude Code里的兩個選項搞混了：

一個是模型選擇（Model），一個是努力度（Effort）。

Anthropic官方長文

過去，大家對這兩個選項的理解都很簡單：換更大的模型，AI就更聰明；把Effort調(diào)高，無非是讓AI多想一會兒。

而就在今年3月，這個誤會還惹出了一場不小的混亂。

當(dāng)時，不少開發(fā)者發(fā)現(xiàn)，手里的Claude Code突然「變笨」了。該讀的文件不讀，該跑的測試不跑，任務(wù)干到一半就撂挑子，反過來問你要更多信息。

于是，GitHub上罵聲一片。

最狠的一刀來自AMD的AI負(fù)責(zé)人Stella Laurenzo。

她在GitHub上翻出6852個會話的日志，實測Claude的思考量比2月之前掉了67%，撂下一句：

Claude已經(jīng)沒法被信任，去干復(fù)雜的工程活了。

Claude已經(jīng)沒法被信任

起初，大家還以為是自己的提示詞沒寫好，或者哪里配置錯了。折騰半天才恍然大悟：問題根本不在自己身上，是Anthropic悄悄改了一個設(shè)置。

3月4日，為了壓低延遲，他們把Claude Code里的Effort選項，默認(rèn)檔位從high降到了medium。

官方更新日志里也寫了，可大多數(shù)人并沒注意到，他們只是感覺到，手里的模型無緣無故好像變蠢了。

扛了一個月，Anthropic才在4月7日把默認(rèn)檔位調(diào)回去，還給所有訂閱用戶重置了一次用量額度。

而多數(shù)人這時才知道，這個開關(guān)一直就在自己手邊，它在暗中決定著：AI到底肯不肯為你滿血干活。

Model換的是腦子，Effort換的是態(tài)度

Anthropic官方的拆解，可以簡單總結(jié)為這樣一句話：

Model換的是腦子，Effort換的是態(tài)度。

先說Model，它換的是腦子。

每個模型背后是一套「凍結(jié)的權(quán)重」，它的能力和知識，在訓(xùn)練結(jié)束那一刻就被焊死了：只讀、不可改。

這意味著，你推理時喂進(jìn)去的提示詞、CLAUDE.md、貼進(jìn)上下文的代碼，全都改變不了它的這套權(quán)重：你可以引導(dǎo)它，卻沒法「訓(xùn)練」它。

換模型，本質(zhì)就是換一整套權(quán)重來接你的活，所以它解決的是「會不會」的問題。

一個在模型訓(xùn)練時還不存在的庫，你把文檔整篇喂給它，它能現(xiàn)學(xué)現(xiàn)用，可那只對這一次請求管用，模型本身一個字都沒記住，轉(zhuǎn)頭就忘。

它偶爾會一本正經(jīng)地調(diào)用一個根本不存在的API，也是同一個道理。那并非查漏了，是權(quán)重照著訓(xùn)練里的老套路，硬拼出一串東西。

再往底層看一眼，就更清楚了。你寫的const x = await fetch，在模型眼里先被切成一個個token，每個換成詞表里的一個數(shù)字。

圖源：Anthropic官方博文

你寫的一行代碼，被切成token后各自對應(yīng)詞表里的一個整數(shù)：const是1078，await是2597，詞表約10萬個。模型拿到的從來不是文字，是這串?dāng)?shù)字。

模型不是一口氣吐出整段答案的。它一次只預(yù)測一個token，接上去，再把整串重新算一遍，預(yù)測下一個。一段兩百個token的回復(fù)，就是兩百次完整的運算。

你等的時間、你燒的錢，大頭全在這個循環(huán)里。

再說Effort，更換的是「態(tài)度」。

很多人以為高Effort就是「多想幾秒」，錯了。

它管的是Claude在這次任務(wù)上到底投入多少工作量：讀幾個文件、跑不跑測試、要不要額外驗證、要不要把一個多步驟任務(wù)一路推到底再回來找你。

說白了：低Effort的Claude，傾向于快速回復(fù)，然后反過來問你要更多上下文，能不動手就不動手；高Effort的Claude，傾向于自己去翻信息、多調(diào)幾次工具、一口氣把長任務(wù)鏈跑完。

Effort在Claude Code里分成好幾檔，別把它當(dāng)成一條死板的token預(yù)算線。

它是個行為信號，告訴Claude這活得干到多徹底、多有把握才算完，文本回復(fù)、工具調(diào)用、擴(kuò)展思考，全在它的管轄范圍里。

官方還放了一張示意圖：同一條prompt，高Effort能比低Effort多吐大約7倍的token。多出來的那些，全花在讀文件、跑驗證、反復(fù)確認(rèn)上了。

圖源：Anthropic官方博文

同一條prompt，高Effort路徑生成的token約為低Effort的7倍，多出的全花在讀文件、跑驗證、反復(fù)確認(rèn)上。

這里藏著一個反直覺的結(jié)論：小模型開高Effort，完全可能干翻大模型開低Effort。

不會，還是不夠努力

知道了分工，真正有用的，是官方給的那套判斷框架。

圖源：Anthropic官方博文

官方判斷框架：Claude做錯了，先問它是不夠聰明還是不夠努力，再決定換模型還是加Effort。

Claude干砸了，先別急著動模型選項。

第一步永遠(yuǎn)是回頭查上下文：prompt說清楚了嗎？該給的工具給了嗎？CLAUDE.md配對了嗎？大多數(shù)所謂「AI變笨」，根子都在這兒，不在模型選項上。

上下文確實沒問題、它還是錯，就問自己一句：它是不會，還是不夠努力？

「不夠努力」，很好判斷：該讀的文件跳過了、測試沒跑、重構(gòu)干到一半跑回來問你：它缺的不是腦子，是投入。

這是Effort的事，可以往上調(diào)一檔。

如果「不會」，則是另一種情形：你上下文給足了，它也明顯盡力了，可還是錯，換個說法再試一遍還是錯。

這時候任你怎么加Effort都白搭，這是模型的事：就要換更強的。

官方還打了個特別好懂的比方。

Sonnet，是個有一整個下午的全能選手。

它會把你的代碼從頭讀到尾，跑一遍、再驗一遍，最后是真把你這攤活兒吃透了。

Opus，是只給你五分鐘的專家。它帶來的是你代碼庫里壓根沒有的經(jīng)驗，見過的坑、該繞的雷，全是解過一堆同類問題攢下的直覺。可五分鐘就那么點時間，只夠它掃一眼，不能掃遍所有文件。

Fable，是所有人都卡住了才請得動的專科。哪怕只給五分鐘，它也能一眼揪出別人誰都沒看出的那處毛病。

當(dāng)然，這位專家每個token也最貴，得留給真正沒人能接的硬骨頭。

所以才有那個反常識的結(jié)論：

一個Sonnet開高Effort，在不少活兒上真能干過Opus開低Effort。小模型配上充足上下文和高投入，能扛下的事比你想象的要多得多。

圖源：Anthropic官方博文

長任務(wù)、多步驟活上，F(xiàn)able拉開最大差距，官方測試?yán)镉行┤蝿?wù)Opus和Sonnet開到任何Effort都夠不著。

卷完模型排行榜，給AI派活成了硬手藝

這篇官方解讀，表面上是教你調(diào)參，背后是一個重要的轉(zhuǎn)向：

AI編程的競爭，正在從「誰的模型更強」，轉(zhuǎn)向「誰更會調(diào)度智能體」。

過去很簡單，人挑一個最強的模型，剩下的全交給它。

現(xiàn)在不一樣了。你得像個項目經(jīng)理那樣，給不同的模型派不同的角色、定不同的投入檔位：

簡單的改動交給Sonnet掛低檔，秒回還省錢；大型重構(gòu)上強模型加高檔；要長時間自己跑的智能體任務(wù)，強模型配足Effort。

這些操作，不僅能把活干得更好，省下來的，都是真金白銀的token賬單。

Claude Code的Effort菜單里多出的那檔ultracode，就是把這套「調(diào)度」做進(jìn)了產(chǎn)品。

選中它，Claude拿到的是xhigh的火力，外加一項授權(quán)：遇到實質(zhì)性的活兒，自己掂量要不要拉起一支智能體隊伍，把任務(wù)拆下去并行干。

回頭看3月那場「變笨」風(fēng)波。

它能驚動整個社區(qū)，恰恰因為大多數(shù)人還停在「換模型」的老思路里，對手邊這個更要命的Effort選項渾然不覺。

只看模型排行的時代正在過去，調(diào)度模型，正在成為核心手藝。

誰先學(xué)會給AI派活，誰就能搶先一步，用上那個真正肯為你賣力的Claude。否則，你手里再貴的模型，也只是一個更貴的搜索框。

這樣，你燒的每一分token，才算真花在了刀刃上。

參考資料：

https://claude.com/blog/claude-model-and-effort-level-in-claude-code

https://x.com/ClaudeDevs/status/2074900291062034618?s=20

https://platform.claude.com/docs/en/managed-agents/multi-agent

編輯：元宇

本文來自微信公眾號“新智元”，作者：ASI啟示錄，36氪經(jīng)授權(quán)發(fā)布。