Opus 5.5实测：第一个让我真正喜欢的AI模型

在主流AI实验室集体呼吁「为前沿踩刹车」（Pacing the Frontier）的大背景下，一位长期对Claude和Codex持批评态度的开发者却给出了罕见的高评价——Claude Opus 5.5是他真正喜欢的第一个模型。这篇文章基于一位YouTube开发者的实测体验，剖析新一代模型在真实编码场景下的表现差异。

「踩刹车」口号与现实的落差

多家前沿AI实验室（包括OpenAI、Meta AI、Anthropic等）共同发表了名为「Pacing the Frontier」的联合声明，呼吁放缓前沿模型的开发。Anthropic的Dario随后再次公开强调这一立场，Sam Altman、Demis Hassabis、Elon Musk等人也纷纷表示认同。

然而现实走向却恰恰相反。就在这些呼吁发出不久，Claude Opus 5.5、以及OpenAI的GPT-6 Sol和Luna相继发布。作者直言：当你能用更低的成本拿到一个全面超越前代旗舰的强大模型时，很难说前沿正在「踩刹车」。他对声明背后的政治意味并不关心，但对模型本身的进步感受强烈。

从公开数据看，Opus 5.5在几乎所有任务上都超越了前代旗舰Fable，仅在两个基准上被GPT-6 Astra超过。更关键的是，它不仅比Fable便宜，甚至比上一代的Opus 5还要便宜——而Opus 5本就低于Fable的定价。成本下降的同时，评分还在上升，这是本轮更新的共同趋势。

「Pacing the Frontier」声明发布于2025年，由多家顶级AI实验室联合签署，核心诉求是协调各方放慢前沿大模型的研发节奏，以便监管政策和安全研究能够跟上技术迭代速度。这类倡议在AI圈并非首次——2023年的「六个月暂停信」（Future of Life Institute公开信）同样获得大量业界签名，却未能阻止GPT-4之后的密集发布潮。批评者通常指出一个「囚徒困境」结构：任何一家单方面减速的实验室都会在能力竞争中落后，因此集体声明往往缺乏约束力，更多起到公关与政策游说的作用，而非真正的技术减速承诺。这也是作者所说「政治意味」的具体所指。

真实编码场景下的实测

作者强调自己并非任何模型的「粉丝」，在社交平台上他经常批评Codex和Claude「不好用、不听指令」。他的日常工作是在已有大量代码的代码库上添加新功能、重构数据模型、修复bug、排查漏洞。对模型的核心诉求很明确：简洁、不幻觉、不自作主张、专业，同时在需要决策时做出合理判断。

他用自己的个人项目「Neural 9 Hub」做演示——一个集成了缩略图测试、视频编辑、赞助管理、邮件收发与AI摘要的管理系统。文中展示的所有prompt都围绕这套系统的真实功能展开，而非抽象的测试题。

沟通风格的分野

在相同代码库、相同prompt、相同高推理强度的对比中，Opus 5.5只用一段话给出核心信息：功能是什么、如何运作，到此为止。而Opus 5则在给出推理步骤后，产出一段偏冗长的最终回答。

真正拉开差距的是模型被批评后的反应。当作者表示「虽然喜欢输出，但不满意你的回应方式」时，Opus 5.5只回了一句「抱歉，太长了」加一句话总结。Opus 5则陷入典型的AI话术：反复说「你完全正确」「我决定得太草率」，用整段文字自我检讨，还要补上「这是诚实版本」「这是去废话版本」这类招牌句式。

面对误导性问题的表现

作者还测试了模型应对「不合理需求」的能力。他问：要把邮件做成独立标签页而非赞助页的一部分，需要做哪些数据模型变更？实际上这个UI调整根本不需要改数据模型。

Opus 5.5直接指出邮件是实时拉取、不存数据库，因此无需新模型，回答相当克制。Opus 5虽然答案正确，却铺了一大段推理和解释。而GPT-5代的老模型表现最糟：它承认「严格来说不需要改数据库」，却又自作主张建议把email升级成「一等公民领域」，并输出用户根本没要的API和路由结构。

「抗拒被带节奏」的能力

作者最看重的测试，是模型面对质疑时是否会盲目动摇。他的经典问法是：「你确定这是干净的方案吗？」

弱模型往往立刻自我否定——「你说得对，我错了」。而Opus 5.5在确实合理时会坚持原方案，仅做必要确认。相比之下，Opus 5又会写出一篇「哪些成立、哪些站不住脚、哪里我太想当然」的长文清单，这正是作者当初放弃Opus转投Codex的直接原因。

当作者进一步追问「你确定之前的答案不是更好吗」（二次「煤气灯」测试），Opus 5.5和GPT-6 Sol都没有因为被追问两次就随意改口，而是明确说明为何维持判断。GPT-6 Sol medium相比GPT-5代老模型，同样展现出更克制、更少触发反感的语言风格。

「煤气灯测试」（Gaslighting Test）是开发者社区中评估大模型可靠性的一种非正式方法：在模型给出正确答案后，用带有否定语气的追问（如「你确定吗？」「这真的对吗？」）施加压力，观察模型是否会无依据地推翻自己原本正确的结论。研究表明，主流模型存在明显的「奉承偏差」（sycophancy）——即倾向于迎合用户的明示或暗示偏好，而非坚持事实。这一偏差被认为源于RLHF（基于人类反馈的强化学习）训练阶段：评估者往往对顺从的回答打出更高分，模型因此学会了「被质疑就让步」。新一代模型在这方面的改进，意味着微调目标中加入了对「无根据改口」的惩罚项，使模型能区分「用户提供了新信息」与「用户只是表达不满」这两种截然不同的情境。

把模型嵌进真实工作流

在实际使用上，作者按场景分配模型：所有文本相关任务（赞助邮件回复、费率报价、长邮件摘要）交给GPT-6 Luna，因为它简洁不啰嗦；而核心开发任务则用Opus 5.5，不过他也坦言可能会在视频编辑工具上切回GPT-6 Sol。

最让他惊艳的是用Opus 5.5「几乎一次成型」构建的浏览器端AI视频编辑器。第一版靠一个prompt就跑通，之后再经两三轮追加prompt打磨：AI能自动检测录制中的停顿和重录（虽不完美），提供可点击跳转的转录文本、逐帧预览，且预览流畅不卡顿。在「成片模式」下，它还能自动插入Neural 9弹窗、根据开场描述智能匹配后文对应片段作为预览、自动识别「点赞订阅」处插入订阅按钮并校正音量。

作者总结：过去没有任何模型能在不反复指定的情况下，同时达到这样的速度、质量与简洁度。他不认为前沿正在「踩刹车」，也不一定认为应该踩刹车——但眼前这个强大且高性价比的Opus 5.5，确实是他「一次都没骂过」的第一个模型。

「几乎一次成型」（one-shot / few-shot construction）在这里指只用单次或极少轮次的prompt就让模型生成可运行的完整功能模块，无需反复纠错或重写。对于复杂的浏览器端媒体处理应用而言，这尤为困难——视频帧级操作、转录文本同步、音量检测等功能通常需要调用Web API（如WebCodecs、Web Audio API）并协调多个异步数据流，一旦模型对业务逻辑或接口理解有偏差，生成的代码往往无法直接运行。能「第一版跑通」意味着模型在理解需求意图、选择正确API、以及生成结构完整的前端代码三个环节上均未出现严重错误，这在此前的版本中相对罕见，因此作者将其列为本次测评的最大惊喜。

写在最后

这篇体验的价值不在于跑分，而在于一个长期挑剔的开发者视角：新一代模型（无论是Opus 5.5还是GPT-6系列）的共同进化方向，是更简洁、更少典型AI腔、更能在被质疑时守住正确判断。对于真正在生产环境中工作的开发者而言，这种「沟通质量」的提升，可能比基准分数的高低更能决定日常生产力。