Opus 5 发布一周：数据说它更准，体感说它更烦——这其实是同一件事
Opus 5 发布一周：数据说它更准，体感说它更烦——这其实是同一件事
Claude Opus 5 是 7 月 24 日发布的（$5/$25 每百万 token，Artificial Analysis 智能指数 61，压过 Fable 5 的 60 和 GPT-5.6 Sol 的 59）。蜜月期一周，社区进入实测定论期——而这次的定论罕见地分裂成了两半。
数据侧，CodeRabbit 的 code review 基准给出一句冷静的判词：「精确率专家，适合与召回型模型搭配使用」。体感侧，ChatPRD 创始人、How I AI 播客主持 Claire Vo 的开场白是：「我讨厌和它共事——然而在盲测里，我把它排在了所有模型之上，包括 Fable 和我心爱的 GPT-5.6。」
「更准」和「更烦」，看起来是两条新闻。把数字摆开之后你会发现，它们是同一件事。
数据线：史上最准，同时更漏、更吵
先看 CodeRabbit 的方法论，因为它比多数厂商评测扎实：96 个错误模式全部来自真实开源 PR 的已验证 issue（不是合成 bug），每个配置跑 3 次，对照当前生产模型组合的 3 次运行。
结果是一组教科书级的 trade-off：
- 可执行评论精确率 39.3%，对比基线 35.2%——CodeRabbit 有史以来测到的最高值
- 已知 bug 召回率 55.2%，对比基线 61.1%——更准的同时，漏掉的真 bug 更多了
- nitpick（低价值挑剔评论）约 92 条，对比基线 23 条——翻了 4 倍
- 全流（含所有评论类别）精确率 28.6%，低于基线的 32.8%
更有意思的是档位实验：把 reasoning effort 降到默认档，发现的问题总数反而最多，但全流精确率跌到 26.4%、nitpick 冲到 110 条。CodeRabbit 的结论值得抄在本子上：「更多推理并不稳定地产出更好的 review。选择 effort 档位，本质是在两种失败模式之间做选择。」
（诚实的脚注：这是 CodeRabbit 的 harness 跑出来的 CodeRabbit 的数字，而它是卖 code review 的——「搭配另一个模型」的结论恰好通向它的产品形态。上周我们在 benchmark 那篇里说过：看分先看谁测的。这份数据的价值在方法论透明，不在数字普适。）
体感线：neurotic AF，和一个赢了盲测的「讨厌鬼」
Vo 给这个模型贡献了两个可能会留在行业词典里的词。
一个是 「neurotic AF」（神经质爆表）：「它太胆小、太爱道歉、太害怕了。」标志性案例：一个一行就能解决的 merge 冲突，模型拒绝碰——理由是那个分支属于别人，怕干扰对方的本地工作。她还做了个人格对照实验：问模型觉得自己测试通过了没，Opus 5 答「希望通过了」——她的形容是「一个悲伤的、自我贬低的、需要治愈内心小孩的神经质小 agent」，而对照组 GPT-5.6 Sol「全是松弛感」。
另一个是 「Claudeslop」：指模型语言里的絮叨和不知所云的堆砌——啰嗦作为一种品类，第一次有了专名。
然后是反转。她的 How I AI 盲测（7 个模型、多任务、录播现场揭晓，她自己事先不知道分数）里，Opus 5 拿了第一，前端设计和原型任务尤其突出。她的总结是一句会被反复引用的话：「我最讨厌的同事，干出了最好的活。」（脚注：这是她个人的盲测结果，完整榜单只在她的视频里，无独立复现。）
Every 的 Dan Shipper 给出了同款体验加一个关键补充：他的团队起初发现模型「和指令吵架、活干一半就停」，但删掉为旧模型调教的全部工作流、从零开始写提示词之后，表现「戏剧性变好」。这个细节先记住，实用指南里要用。
把两条线拧在一起：五个现象，一个旋钮
现在把两边的证据并排放：
- 精确率史上最高（数据）
- 已知 bug 召回率下降（数据）
- nitpick 翻 4 倍（数据）
- 胆小、爱道歉、「希望通过了」（体感）
- 拒绝碰别人的分支（体感）
这五件事是同一个训练取向的五次显影：这个模型被调成了「宁可不做，也不做错」。 精确率高，因为它只说有把握的话；召回率降，因为没把握的它宁可沉默——漏报是「不做错」的直接代价；nitpick 多，因为不确定性总要有出口，不敢下重注的判断就以小挑剔的形式渗出来；道歉和自我怀疑是同一姿态在语言层的投影；拒改 merge 冲突是它在行动层的投影——把「谨慎」执行到了连所有权都要避嫌的程度。
所以「数据说更准」和「体感说更烦」不矛盾，它们是同一个旋钮的读数和噪音。理解了这一点，一周以来所有看似打架的评价就自动归位了：盲测第一（产出质量是旋钮的正面）和「讨厌和它共事」（交互摩擦是旋钮的反面）本来就该同时成立。人类同事里这种人你也见过。
实用指南：按失败模式选档，而不是按「越高越好」
落到日常使用，五条：
-
把 effort 档位当成失败模式选择器。 要终审把关、误报成本高（比如自动阻塞 PR 的 CI 检查），用 x-high——它漏的多但说出来的准；要初扫铺网、宁可错杀（比如陌生代码库的第一遍安全巡检），用默认档——吵，但覆盖广。「两种失败模式」这个框架比「更贵=更好」有用得多。
-
搭配，别单打。 CodeRabbit 的「精确率专家配召回型模型」建议剥掉产品私心后依然成立：让广撒网的模型先生成候选，让 Opus 5 做验证和裁决，是把它的旋钮位置用在刀刃上。
-
删掉你为上一代模型调的提示词。 Dan Shipper 团队的经验是本周最值钱的一条实操：为旧模型人格写的防御性指令（「不要偷懒」「务必主动」），对一个本来就过度谨慎的模型是反向用力。从零写，明确授权比催促有效。
-
把所有权写进上下文。 「这个分支是我的，你有权修改」一句话就能解掉 merge 冲突式拒绝。它不是能力问题，是权限想象力问题——把权限说死，它就动了。
-
成本上留意场景分化。 $5/$25 的定价配上 1M 默认上下文和 per-turn 可调 effort，长会话的成本结构和上一代很不一样，可以用本站的 LLM API 价格计算器按自己的缓存命中率和吞吐算一遍再定主力模型。
尾声
上周我们在 benchmark 那篇的自保清单里写过一条：自建 20 个私有任务，别信排行榜。Vo 的盲测就是这个建议的完成态——她带着「我讨厌它」的全部主观情绪走进评测，出来的结果依然是第一名。情绪没有污染测量，因为测量被设计得先于情绪。
这大概是 Opus 5 这一周留下的最有普遍性的东西：模型的「人格」是交互界面，模型的产出是交付物，两者可以背离，而且会越来越经常背离。学会分开评价它们的人，会比等一个「既好用又好相处」的模型的人，先拿到生产力。
讨厌的同事，活好。先学会共事，再谈喜欢。