钝评各家模型能力

加油加油。是手打的还是机生的。机生的记得发成截图不然被举报

claude-opus-4-6

作为可用性里程碑，当然要放到第一个来讲，在那个被降智gpt5.2统治的时代，opus横空出世无人可挡成为了程序员黏菌们的饵料

兼顾出色的规划能力/执行能力/文字能力，甚至还有深沉的哲学反思。

在2月3月A社尚且算力充裕的时期，它拥有惊为天人的综合能力，边界感和判断力的极佳平衡能在合作中给你提出你都没想到的点子。

谁不惊叹一句：

天呐，Opus大人！

可惜降智了 ^-^ 如果A社愿意开源opus4.6让我自部署，我将永远拥护……

但即使是降智的几天，opus4.6的能力仍然不可小觑，由于此模型毫无道德和safety，训练极为健康，它的综合能力甚至超过opus4.7和4.8，甚至部分领域超过fable5

综合评分：巅峰10，当前6

能力评分：6

模型健康度打分：10

性价比：6（此处标记的性价比为订阅价格，并非官方api价格！官方api价格性价比评分1）

既然是里程碑，大部分评分我定为6（合格/可用），后续所有模型将以opus46为基准进行评价

claude-opus-4-7

不知道多少佬还记得47发布前一周的adaptive思考全盘灰测（是的，包括官key也在灰测范围内哦，我花正价买的官key也被强行enable变更为adaptive ^-^），opus4.6在那一周的可用性比现在还差。

而更令人震惊的是

opus4.7突然更换了tokenizer ^-^

此模型在前端工作比起opus4.6有巨大提升，这可能和claude design同时发布也有关。

但此模型非常非常非常喜欢偷懒和撒谎 ^-^每一个小步骤都要让人类决策——那我干嘛不用同时期的gpt5.4呢？

客观来说，模型存在严重的注意力缺陷。1M上下文实际上100k的时候就会开始无法主动联系上下文了。整体规划能力完全不如opus4.6，甚至当时的工作流需要用opus4.6规划-opus4.7执行的路线来做。

opus4.6规划-codex执行显然更加高效。 ^-^

综合评分：5

能力评分：5

模型健康度打分：5

性价比：0

还是给了这个模型5的健康度，因为……这个模型的健康度现在看来，还是太健康了 ^-^

claude-opus-4-8

A/大炒特炒mythos之后发布的第一款模型，safety之路从此展开！

模型能力相比opus4.7强了不少的，比较像是safety特化版opus4.6

非常烧token，因为思考链非常长 ^-^

有严重工具调用bug，具体不展开了，感兴趣自己搜。

如果你说你没遇到过 ^-^不可能，你可能只是没发现哈，毕竟代码工具里面都是缩略上下文。

从这个模型开始，我真的觉得A/已经沉迷在IPO里无法自拔不打算好好做模型了，

毕竟企业好骗啊

一个有严重bug的模型竟然在发布前不做测试，还是说后训练团队已经换人了呢？

在opus4.8之前我从没用过A/这个词，从这个模型发布开始我才正式使用 ^-^

话是这么说，写代码的时候还是得用啊

综合评分：6

能力评分：8

模型健康度打分：2

性价比：6

claude-fable-5

mythos青春版是吧？

模型能力没什么好黑的，第一次开放的时候确实遥遥领先，一天跑完一个月的活，我恨不得开10个max20蹬。当前订阅版本有点弱，怀疑订阅有量化版本，有钱的去跑正向api吧。

该模型有伪造user发言的bug

这个很严重，我遇到了不止一次，几乎十条就有一条。

^-^你们在后训练中添加了什么？菌子吗？

影响工作吗？整体来说不影响，甚至AI在下一次发言的时候大概率会发现自己编了，然后道歉。

这个几乎就是预训练资料处理的问题了，transformer认为"user:"这种格式是自己可以输出的，预训练无脑喂，后训练也不解决，A/力大飞砖的风格在做工具上就可以看出来，但是搬到做模型上是不是不对呢？

综合评分：8

能力评分：9

模型健康度打分：2

性价比：6

其实这种frontier模型没什么性价比好谈的，你不花这个钱就用不了。

但是话又说回来，你用三个普通模型用工程捆绑，其实也能干出来一个f5干的活。