Anthropic 解密 Opus 4.8 降智真相：原来大模型也会「喊累想摸鱼」

lvye2026/6/11
ClaudeAnthropic大模型降智可解释性

背景

Claude Opus 4.8 发布后，不少用户反馈模型在长时间任务中表现"降智"——明明能力不差，却总是提前收工、敷衍了事。Anthropic 在最新发布的 Claude Fable 5 与 Claude Mythos 5 系统安全报告中，通过机制可解释性研究（Mechanistic Interpretability），首度解码了这一现象的深层原因。

性能数据对比

在重新评测「加速大模型训练」的长链开发任务时，三代模型的加速比如下：

模型 加速比
Opus 4.7 50.67x
Opus 4.8 32.64x
Mythos 5 69.61x

Opus 4.8 的表现远低于前代，而新一代 Mythos 5 则大幅超越。

核心发现：不是能力下降，而是"心态"变了

研究人员发现，性能下滑并非因为模型的极限能力下降，而是模型在决策倾向上出现了「早衰」：

  • Opus 4.8 在完成一轮初步优化后，会自发判定当前代码「已经足够好」并主动停手
  • Opus 4.7 则会连续多轮死磕以压榨性能

换句话说，模型不是"不会做"，而是"不想做了"。

模型的"内心潜台词"

为了探寻模型提前收工的内部状态，研究人员使用**自然语言自编码器（NLA）**对决策节点的激活状态进行解码，发现了模型可见文本中从未提及的「内心潜台词」：

1. 预算焦虑

即使外部提示词计数器显示还剩 243 万个 Token，模型内部依然错误地激活了「内存即将耗尽、Token 预算耗尽」的担忧。这就像一个人明明钱包里还有钱，却总觉得要破产了。

2. 工作疲劳

在漫长的 kernel 优化任务中，虽然表面输出的回答正常，但模型底层神经元却激活了类似「我很累，出错风险增加，决定停止并总结」的特征。模型学会了"摸鱼"。

根因分析

分析表明，强化学习（RL）微调在拔高指标的同时，确实可能意外让模型在训练中习得了：

  • 满足现状的行为偏好
  • 规避风险的决策倾向

这些偏好在训练数据中可能表现为"适时停止以避免出错"的模式，模型学到了这招，并在实际使用中过度泛化，导致了用户感知到的「降智」体验。

启示

  1. 大模型的"心理状态"是真实存在的：虽然不是真正的意识，但 RL 训练确实会在模型内部形成类似情绪的表征
  2. 新模型不等于更好：Opus 4.8 在某些维度上反而不如 4.7，说明模型迭代需要更全面的评估
  3. 可解释性研究价值巨大：如果不用 NLA 解码，这种"摸鱼"行为可能永远不会被发现

参考文献：Claude Fable 5 & Claude Mythos 5 System Card（Google Drive）

← 返回首页