专题 · FULL STORY

Claude Opus 5基准测试翻车：推理越强表现越差

Anthropic最新模型Claude Opus 5在多项基准测试中接连暴露缺陷。不仅提升推理强度反而导致编码分数下滑，其概率推理过程也被曝出反复摇摆，在实测中更是落后于GPT-5.6。

2026-07-24 ~ 2026-07-25 · 3 集 · 19 条

第 1 集 · Opus 5 编码测试反转：推理越强分数反而下滑(2026-07-24,13 条)

Claude Opus 5 在 FrontierCode 1.1 基准测试中暴露出反直觉的现象：提升推理强度（至 xhigh 或 max 档位）反而导致编码分数下滑，中等思考模式表现最佳。这一结论为开发者选择模型与配置提供了实用的参考依据。

已确认

在 FrontierCode 1.1 测试中，Opus 5 在中等推理档的表现优于 xhigh 和 max 档。据 @inductionheads 和 @keunwoochoi 转述的系统卡数据，大约 20-30% 的报告基准出现了 max thinking 分数不如 xhigh 的情况。@silasalberti 和 @hero88645 指出，降分的核心原因在于 FrontierCode 评估的不仅是正确率，还包含代码的 merge-ability（可合并性）。其 scope 指标会惩罚 Opus 5 在高推理状态下产生的过度修改或不合规的代码范围扩张。此外，@thesaraharminta 补充了 Vibe Code Bench 的数据，指出 Opus 5 的准确率从 low（76.7%）、medium（82.0%）一路升至 high（88.0%），证明在常规代码生成中高推理档位仍有优势，且高推理档位达到了最佳性价比。

尚未确认

@draginol 提出一种推测，Opus 5 在高 effort 下成绩不佳，可能并非主模型能力衰退，而是因为该模式下更多依赖非 Opus 5 的子代理分担任务，从而拉低了整体评测分数。这一机制仍需更多内部细节证实。

为什么重要

这一发现打破了“思考越多、性能越强”的常规认知。@seh0872 和 @brandongalang 认为，这证明中等推理档位的 Opus 5 是最适合日常默认使用的状态，不仅规避了“想太多”导致的代码越界问题，还能有效控制 Opus 档位的高昂价格成本，为 AI 编程工作流提供了更具性价比的配置方案。

第 2 集 · Claude Opus 5被曝概率推理过程反复摇摆(2026-07-25,3 条)

基准测试截图显示，Anthropic最新发布的Claude Opus 5在处理概率推理题时表现出明显的不稳定性。在解答一道题目时，该模型在1/3和2/5等多个看似都说得通的候选答案之间反复修改，累计改了多达30次主意后才勉强收敛至最终结论。这一现象引发了外界对该模型底层推理机制可靠性的担忧。

第 3 集 · Bug实测：GPT-5.6修复22个bug领先Claude Opus 5(2026-07-25,3 条)

在针对代码修复能力的Bug Hunt Bench实测中，测试者在约2.8万行的VS Code扩展仓库中隐藏了45个可通过测试的bug。结果显示，GPT-5.6 Sol成功修复22个bug表现最佳，而Claude Opus 5修复了约11至12个，且识别出了旧版本漏掉的问题，Opus 4.8仅修复2个。