![](data:image/svg+xml;charset=utf-8,<svg width="640" height="640" style="background-color:%2344badc;font-family:Nunito,sans-serif" viewBox="0 0 100 100" preserveAspectRatio="xMidYMid meet" xmlns="http://www.w3.org/2000/svg">
<text font-size="30" x="50%" y="50%" dy="5" fill="white" dominant-baseline="middle" text-anchor="middle">К</text>
</svg>)
Детектор «нерфа» Opus 5.5 на собственной проверке не отличил Opus 5.5 от подставленного вместо него Opus 5.
Это livenerf — открытый бенчмарк разработчика под ником ninjahawk. Он стартовал примерно через два с половиной дня после релиза и раз в день гоняет одну и ту же панель вопросов, чтобы поймать момент, когда модель тихо станет хуже. За свой счёт, на подписке Max. Тред о нём на Hacker News собрал больше 900 баллов.
Прежде чем мерить, автор проверил сам прибор: дал ему заведомо известные ухудшения. Результат подмены модели он вынес в README отдельным пунктом — «Предел». Opus 5 вместо Opus 5.5 дал минус 3,8 пункта точности при стандартной ошибке 6,3 — на заранее заданном пороге 99% неразличимо.
Снижение effort прибор видит — но в токенах, а не в точности. На low выходных токенов меньше на 62%, чем на high. Точность при этом падает на 8,3 пункта с ошибкой 4,5 — на границе шума.
Поэтому главным вторичным сигналом автор называет счётчик выходных токенов: если модель тихо начнёт думать меньше, первым это покажет он, часто раньше, чем сдвинется точность.
Вторая находка — про то, что принимают за модель. Версию Claude Code автор закрепил и пишет, что это не обсуждается. Его формулировка:
Цена такой строгости видна в цифрах. Из 2 336 вопросов в панель попали 78: почти на всех остальных Opus 5.5 либо всегда прав, либо всегда неправ. Один прогон в день ловит сдвиг примерно от 7,5 пункта за десятидневное окно и съедает около 3,6% недельного лимита.
Вердикта пока нет, первый возможный — около 24 октября. График, под которым на Reddit в конце сентября спорили про «провал», автор тогда сам назвал базовой линией, которая ещё собиралась. Аудит 80 вопросов — 78 из панели и двух исключённых позже — нашёл 8 ключей ответов, похожих на ошибочные, и 30 неоднозначных вопросов.
Одна неудачная сессия — выборка из одного. Прибору с ежедневным прогоном одних и тех же вопросов нужен месяц.
https://github.com/ninjahawk/livenerf
Расскажите, по какому признаку вы в последний раз решили, что модель «отупела», — посмотрим, что из этого вообще можно проверить.
Это livenerf — открытый бенчмарк разработчика под ником ninjahawk. Он стартовал примерно через два с половиной дня после релиза и раз в день гоняет одну и ту же панель вопросов, чтобы поймать момент, когда модель тихо станет хуже. За свой счёт, на подписке Max. Тред о нём на Hacker News собрал больше 900 баллов.
Прежде чем мерить, автор проверил сам прибор: дал ему заведомо известные ухудшения. Результат подмены модели он вынес в README отдельным пунктом — «Предел». Opus 5 вместо Opus 5.5 дал минус 3,8 пункта точности при стандартной ошибке 6,3 — на заранее заданном пороге 99% неразличимо.
Снижение effort прибор видит — но в токенах, а не в точности. На low выходных токенов меньше на 62%, чем на high. Точность при этом падает на 8,3 пункта с ошибкой 4,5 — на границе шума.
Поэтому главным вторичным сигналом автор называет счётчик выходных токенов: если модель тихо начнёт думать меньше, первым это покажет он, часто раньше, чем сдвинется точность.
Вторая находка — про то, что принимают за модель. Версию Claude Code автор закрепил и пишет, что это не обсуждается. Его формулировка:
Обновление Claude Code меняет обвязку, а изменившаяся обвязка выглядит ровно как изменившаяся модель.
Цена такой строгости видна в цифрах. Из 2 336 вопросов в панель попали 78: почти на всех остальных Opus 5.5 либо всегда прав, либо всегда неправ. Один прогон в день ловит сдвиг примерно от 7,5 пункта за десятидневное окно и съедает около 3,6% недельного лимита.
Вердикта пока нет, первый возможный — около 24 октября. График, под которым на Reddit в конце сентября спорили про «провал», автор тогда сам назвал базовой линией, которая ещё собиралась. Аудит 80 вопросов — 78 из панели и двух исключённых позже — нашёл 8 ключей ответов, похожих на ошибочные, и 30 неоднозначных вопросов.
Одна неудачная сессия — выборка из одного. Прибору с ежедневным прогоном одних и тех же вопросов нужен месяц.
https://github.com/ninjahawk/livenerf
Расскажите, по какому признаку вы в последний раз решили, что модель «отупела», — посмотрим, что из этого вообще можно проверить.