Opus 5.5 被削了吗？有人从发布当天开始记账

AI 圈流传着一个老故事：新模型发布的头两周最好用，然后悄悄变差。有人说是量化，有人说后端换了小模型，有人说是路由规则动了。厂商从不承认，用户拿不出证据。每一轮争论都停在 vibes 对 vibes，谁也说服不了谁。

9 月 22 日，Claude Opus 5.5 发布。当天，一位开发者建了个仓库，开始记账。

📏 先造一把尺

这个叫 livenerf 的项目要回答的问题只有一个：模型上线之后，服务质量会不会偷偷下滑。

要回答它，得先有一把不会动的尺。作者搭了一块固定题板，四个题族：精确计算和程序追踪、token 保真度、可核验的指令跟随、带隐藏测试的短代码。每道题都经过校准，通过率落在 30% 到 70% 之间——太简单或太难的题都测不出变化，只有中间这段斜坡最灵敏。每天跑 90 个样本，30 天。

长上下文任务被主动排除了。每道题会吃掉订阅额度的一大块，划不来。

🔒 把一切钉死

测量最大的敌人是"东西变了但你不知道"。模型参数没法钉死——采样参数碰不到，思考模式关不掉——那就把其余一切钉死。

命令行工具锁定在 2.1.280 版本，自动更新禁用，每次采样都记录版本号，版本一变运行器直接拒绝开工。系统提示词换成一份冻结的短文件。工具、MCP、配置文件全部清空，空目录起跑。模型只返回文本，代码在外头跑测试，它自己碰不到任何东西。连每天用的预算都换了个量法：不按 token，按订阅页面上那两个滚动百分比。

📐 统计方法没得挑刺

整套统计跟的是 Anthropic 自己 2024 年那篇《给评测加上误差棒》，逐题配对差值配聚类标准误，题目难度的影响在配对里直接消掉。方法不是自创的，想吵架得先跟厂商自家论文吵。

有一个次级信号很有意思：每次采样的输出 token 中位数。作者的原话是，模型要是悄悄开始"想得少"，这里最先显形——往往比准确率早好几天。

⏳ 跑到第六天

到 9 月 29 日，30 天跑满了 6 天，一天没落。六天全部 90 个样本，同一把 harness 哈希，同一版 CLI。仓库挂出 252 颗星，讨论区已经开始有人催结果。

急也没用。前 10 天只是攒基线，第一张正式成绩单要到第 20 天之后才出炉。而且这把尺两边都量：模型要是变好了，一样大声报。

🧭 值得关注的原因

AI coding 已经把日常工程压在几个模型上。这些模型没有版本号变化公告，没有 changelog，服务端想动就动——今天是量化，明天可能是路由。写代码的人对"手感变差"的抱怨从来没停过，可从没有人握着发布当天的基线去对账。

livenerf 的价值不在结论，在姿势：个人开发者用预注册协议、冻结环境、公开日志，把一场口水仗变成一份数据。这一套搬给任何模型都成立。30 天后不管结果如何，"到底削没削"这个问题第一次有了可以引用的答案。

• 信源：GitHub 仓库 ninjahawk/livenerf 的 README、PLAN.md、校准文档与仓库元数据（9 月 29 日拉取）；HN 9 月 29 日讨论帖（179 分，92 评论）
• 限定：v0 跑在订阅渠道的 Claude Code 之上，量的是"产品交付行为"，和 API 裸模型之间隔着一层 CLI，作者自己也把这记为混杂因素；30 天系列尚未出结果，本文不预判任何方向