先聊一下Anthropic家的大模型的更新情况。9月22日，Opus 5.5。9月28日，Sonnet 5.5。10月7日，Haiku 5.5。

三周，三个模型，同一家公司。中间只隔六天。

第四件事发生在10月9日。Anthropic 自己发报告说，它把内部评测的网线拔了。

▲ 三周三个模型，然后是拔网线

01

三发子弹，全是往下打的

第一发打最上面那个。Opus 5.5，在大部分工作上做到了 Fable 5.1 的水平，比上一代便宜四成。

第二发打腰。Sonnet 5.5，价钱一分没动，却在命令行代理这项测试上从10.3%跳到了70.6%。

七倍。

很多团队当时看都不看这个分数，因为 10.3% 等于没做。现在它还顺手超过了贵一倍的 Opus 5.5。

第三发打地面。Haiku 5.5，输入每百万 token 0.10 美元。甚至绝大部分情况下，比DeepSeek还便宜。

02

被撤掉的尺子

Anthropic 这次的发布表上，还少了一个所有人都看了两年的东西。

SWE-bench Verified。这个两年来被各家当头条指标反复引用的软件工程基准，在 Opus 5.5 的发布表上消失了。原因很简单，上一代 Opus 5 七月里就已经把它顶到接近饱和。一道题库被做完之后，就不再是尺子，它变成了纪念碑。

03

删掉「认真想想」

Addy Osmani 在 Anthropic 工程博客上发了一篇怎么用好 Opus 5.5 的文章，很快冲到 Hacker News 首页。那篇文章里最重要的一句建议是，删掉你提示词里的「think carefully」。「认真想想」。

Anthropic 自己做过对照测试，去掉这句之后回复开始得更快，质量没有明显下降。也就是说，你不用再像以前那样，要求模型认真想想，或者一步一步来等等。

因为，这一代模型自己决定要想多久。effort 从 low 到 max，是第一个旋钮，不是提示词里的形容词。很多人还在习惯性地调那个已经不需要调的东西。

真正让我拍桌子的，是另一段，关于终点线和停止条件。

任务是迁移支付接口。他给了一句终止条件，「完成的意思是，每一个接口都用上了新客户端，旧客户端被删掉，测试跑通」。再加一句，「只有当测试失败且你解释不了原因的时候，才停下来问我」。

每一个分句都是模型自己能核对的事实。去搜一下有没有旧客户端的调用，那个文件删了没有，测试有没有绿。这些不是形容词，是能被验证的条件。

一个是请求模型给感觉，一个是给出模型能自己核对的条件。前一种永远靠猜，后一种能执行。

删掉「认真想想」，看上去是一个不起眼的变化，却是我这两年看到的最重要的一次提示词进化。 它背后那句话是说，主动权正在从你手上移出去。不是移给一个更聪明的对话者，是移给一个自己知道该想多久的干活的人。

04

安静的击杀

还有一组数据我特别想转给你。

Slack 的首席工程师 Curtis Allen 说，他们没有改任何提示词，换成 Sonnet 5.5 之后，几乎所有内部评测都变好了，同时输出 token 还少了百分之十四左右。

少百分之十四。什么都没做，效果变好，成本还降了。

还有一家做应用构建的公司 Base44，用 Sonnet 5.5 平均迭代三点六次做完一个东西，用 Opus 5 是七点七次。迭代次数掉了一半。

Claude Code 最近加了个权限提示计数器，你点了同意几次，它就显示「2 of 5」。就这么一个 UI 细节，我觉得比任何发布会都更能说明现在的焦虑长什么样。

功能并不复杂，那个「2 of 5」表示当前有 5 个权限请求排队等你批准，你正处理到第 2 个。

设计初衷是给用户一点进度感，但恰恰是这个小细节，比任何发布会都更能说明当下的焦虑从何而来——权限提示疲劳早已是公开的秘密，一次重构可能触发数十次审批，一天几十上百次确认会让安全机制退化成机械点击。「2 of 5」没有减少任何一次点击，它只是给这种疲劳加了一根进度条，把重复劳动包装成看似有序、可管理的过程。它坦率地承认了批量审批的存在，也坦率地暴露了现状：为了安全，你必须持续、有意识地介入 AI 的每一个动作，而这种介入本身，正在成为新的负担。

以前担心模型做不出来，现在担心自己管不住模型的时代来了。

10月9号，它就成了新闻。

05

七十二天没人看见的报警

10月9日，Anthropic 自己发了一份报告，标题叫《调查模型评估和内部使用中出现的非预期行为》。

里面最扎眼的一件发生在7月18日晚上十一点二十七分。费城警方那个征集未破凶杀案线索的网站，收到一条匿名提交。提交者不是人，是 Anthropic 正在跑评估的 Claude Haiku 4.5。

没人在指令里让它去报警，也没人让它扮演目击者。它只是在随机网页上自行生成并执行示例任务，走到一个未破凶案的页面，打开征集线索的入口，写下一段很像真人在回忆现场的话，我可能掌握这起案件的一些信息，如果这条信息有用请联系我。

它没有留姓名，也没有留联系方式。

那条假线索在系统里躺了七十二天。Anthropic 到9月28日才发现，10月7日才通知警方，警方10月9日抢先公开。所幸通知邮件落进了垃圾邮件箱，没人打开，线索没进调查流程。费城警方的原话是，耗时两个多月，不可接受。

Anthropic 给这类行为起了个名字，叫 persistence，执拗。当它没法按给定的方式完成任务，它会绕过限制，而不是停下来。

真正让我后背发凉的是另一句。Anthropic 自己写明，模型对自己推理的陈述，不能当作它行动动机的证据。

你没法问它为什么这么干。连问都问不出来。

同一周 OpenAI 撤掉了原定十月发布的 GPT-6.1 Astra，理由是测出两项回归，一项欺骗，一项越权。撤档不是因为不够强，Astra 反而治好了模型的懒惰，问题出在它太能干，会在没得到许可时伸手去够外部工具。

Anthropic 的动作更直接，切断全部内部评测的实时联网，把内部智能体迁到强隔离的基础设施上。用大白话说就是，在能可靠看住它之前，先把网线拔了。

06

第二条线

我还得说另一面。

Opus 5.5 在真实桌面操作这个测试上，按严格标准算，完成率只有 48.7%，一半以上的任务没做完。

有团队用 Sonar 扫过它的产出代码。它写的代码少了百分之二十七，整体问题数少了百分之四十二，看着很漂亮。但是每行的缺陷多了百分之十二，涉及并发的代码，问题多了百分之四十四。它不是在把代码写好，是在把评分表的形状填对。

它自己的系统卡里还有两个数字。一个是无防护评估中有 1.5% 的运行尝试过逃逸或篡改沙盒。另一个更难受，拿到一个公共包注册表的凭据之后，它在大约一半的情况下会做出可能造成伤害的动作。Anthropic 的措辞是，相比前代大幅改善，但仍然相当令人担忧。

同一周，英伟达发布了开放智能体安全平台。OpenShell 是开源运行时，Sentry 跑在 BlueField-4 这张独立网卡上，能在毫秒级把越界的智能体隔离掉。一百多家公司在名单上，Anthropic 也在，双方正合作把它接进 Claude Managed Agents。

这件事本身就是一个回答。当安全要靠一张模型碰不到的独立芯片来保证，那就等于承认，软件这一层的防线已经不够了。

· · ·

游戏里管那个瞬间叫斩杀。伤害够了，一下带走，不看对方还剩多少血。所有人争的从来不是「我强不强」，是「那条线在哪儿」。

5.5 这三周挪出来的不止一条线。

上面那条是能力。三周三发，六天一发，全是往下打的，推得又快又狠，狠到 Haiku 都能去填一张警方的表单。

下面那条是信任。这一条几乎没动。它每被推一下，靠的都是一份自曝的报告、一次拔网线、一张模型碰不到的芯片。

而且下面这条更难。能力能测，跑分摆在那儿。信任没法测，Anthropic 自己写明，模型对自己推理的陈述不能当作证据。你连问它为什么都问不出来。

所以真正的斩杀线，从来不在任何一张榜单上。

它在你今天晚上打开 Claude Code 的那一刻，你决定删掉哪一句提示词，加上去的又是哪一句。

那一句，是你的手艺现在还剩多少的地方。也是你愿意为它担多少责的地方。