Anthropic 智囊团一日发言｜2026-07-26

今日判断

严格按 2026 年 7 月 25 日 08:00 至 7 月 26 日 08:00（Asia/Shanghai）的过去 24 小时窗口，本期只有 1 条达标信号。它不是新模型或新功能发布，而是 Anthropic 员工对 Claude Opus 5 在 FrontierCode 上出现的一个反直觉结果给出解释：高推理 effort 并非在每一种编码评测上都更高分，原因可能是模型做了超出任务范围的重构，而评测器只奖励与任务描述一致、可合并的 diff。

这条信号的含义需要收窄理解：它不支持「高 effort 普遍更差」，因为同一线程同时说，Opus 5 在 FrontierBench、CursorBench、ProgramBench 和 AA Coding Agent Index 等其他评测上，随着 high/xhigh effort 增加，编码表现明显提升。更准确的结论是，effort 选择正在变成「任务范围 × 评测口径」的联合调参问题。

对实际使用者，今天最值得记住的是：窄任务先把边界写清楚，并把 medium 作为低成本基线；需要探索、泛化或复杂代理工作的任务，再用 high/xhigh。Claude 官方提示指南也明确提醒，Opus 5 可能主动扩大任务范围，要求它「停在明确超出请求之前」比一味增加思考量更直接。1

今日精选信息点

1. Opus 5 的高 effort 不一定在 FrontierCode 得分更高，关键在于「做得更多」可能被评测扣分

涉及人物 / 账号：@jerhadf，Anthropic 员工，账号自述为个人观点；@trq212，Claude Code 团队成员
主题分类：模型与研究
信源层级：个人账号一手发言；随后被 Claude Code 团队成员转发扩散
内容性质：评测解释与使用方法信号
窗口时间：@jerhadf 于 7 月 25 日 08:04:39 至 08:04:42 发布连续线程；@trq212 于 7 月 26 日 00:20:32 转发。以上时间均已换算为 Asia/Shanghai。2 3
重要性说明：它补上了上一期 Opus 5 评测观察中缺失的机制解释。若把高 effort 的低分简单解读为模型能力倒退，会误判；当前可见证据更像是「任务范围控制」与「基准评分规则」发生了耦合。

原文与中文翻译

「Opus 5 has a better FrontierCode score at medium effort than higher effort - despite increasing performance with effort on other evals. Why?」
中文：Opus 5 在 FrontierCode 上的 medium effort 得分高于更高 effort，尽管它在其他评测中的表现会随 effort 提升而上升。为什么？2

「After looking into this with Cognition, we found it’s because some grading criteria penalize out-of-scope edits. In some tasks at high/xhigh effort, Opus 5 does more than the task requires, i.e. refactoring.」
中文：与 Cognition 调查后，我们发现原因在于某些评分标准会惩罚超出范围的修改。在一些任务中，Opus 5 使用 high/xhigh effort 时会做超出要求的事情，例如进行重构。4

这条信号支持什么、不能支持什么

支持：在以「是否生成符合任务描述的可合并 diff」为目标的 FrontierCode 中，额外修改可能被判为偏离任务。@jerhadf 对该评测的定义是：即使额外改动让代码更好，评分器仍会惩罚超出明确请求的部分。5
支持：增加一条要求模型留在任务范围内的短提示，显著改善了 scope criteria；但这并没有让 high/xhigh 在该评测上完全超过 medium。6
削弱过度解读：同一线程称，在 FrontierBench、CursorBench、ProgramBench 和 AA Coding Agent Index 等评测上，Opus 5 的编码表现会在 high/xhigh effort 下明显提升；作者还说，在多数评测与测试中，更多 test-time compute 会带来更充分的验证、更强的方案和更好的新任务泛化。7

衍生上下文

官方提示指南：Claude 官方文档明确写道，Opus 5 可能扩大任务范围；对窄任务应显式限制范围，并「停在明确超出请求之前」。文档还建议依据自己的评测重新做 effort sweep，把 low/medium 作为低成本主力，把 xhigh 留给高难度编码和代理任务。这支持「先控制范围、再调 effort」的实践，但文档没有证明 FrontierCode 的具体分数。1
Claude Code 团队扩散：@trq212 转发了原始线程，说明该解释至少进入了 Claude Code 团队成员的公开讨论；但转发本身没有新增实验数据，不能当作独立复核。3
作者自己的使用取舍：@jerhadf 说自己仍常用 high effort，因为它往往给出更好、更有创意、更稳健的方案；如果任务需要，则会改用 medium。这是个人使用经验，不是外部效果验证，也不能代替跨任务的独立基准结果。8

对行业的含义

模型能力评测正在从「答案够不够好」转向「答案是否完成了被要求的工作，而且没有擅自改写任务」。对编码代理尤其如此：更强的模型可能更愿意替用户修复、重构和补全，但在严格的变更评测里，这些行为会从加分项变成越界。未来更有解释力的评测，可能需要把「结果质量」「范围遵守」「额外改动」分开报告，而不是只给一个总分。

图片 / 截图摘要：本条原始帖子没有可核实的截图或图表，因此不使用正文插图。

低信号观察：Opus 5 讨论仍在扩散，但没有形成第二条达标信息点

@noahzweben（Claude Code PM）7 月 25 日 10:23:47 发帖，称自己最喜欢的一条 Opus 5 帖子涉及大学 3D 图形课中的龙卷风物理作业；93 个赞、5 次转发、2 条回复。它展示了员工对模型示例的兴趣，但没有给出可复核的模型行为、评测结果或产品边界，因此降为观察。9
@lydiahallie 7 月 26 日 03:22:35 发帖询问大家如何使用 Opus 5、正在构建什么；256 个赞、9 次转发、139 条回复。它是用户互动与扩散信号，不是新事实。10
@amorriscode 在窗口内转发了 @alex_erm 关于 Opus 5 图像测试的帖子；转发字段只返回了截断摘录，且没有一手评测细节，未纳入主榜。@jackclarkSF 在窗口内的新帖是家庭生活内容，与本频道主题无关，按排除条件剔除。

主题分类索引

模型与研究：1 条——Opus 5 的 effort、任务范围与 FrontierCode 评分口径。
Claude Code / Agent：本期无新的达标信息点。
产品与企业落地：本期无新的达标信息点。
安全与可解释性：本期无新的达标信息点。
政策与治理：本期无新的达标信息点。
外部观察席：本期无新的达标信息点；@johnschulman2 与 @nelhage 在窗口内未出现相关新发言。

监测覆盖审计

严格窗口：2026 年 7 月 25 日 08:00 至 2026 年 7 月 26 日 08:00，Asia/Shanghai。表中「有」只表示账号在窗口内有新公开帖子，不代表该帖达标；纯转发、寒暄和无关内容仍会被记录后降级或剔除。

主监控账号

账号	窗口内新发言	时间与处理
@AnthropicAI	无	未发现窗口内新帖
@claudeai	无	未发现窗口内新帖
@DarioAmodei	无	未发现窗口内新帖
@karpathy	无	未发现窗口内新帖
@ch402	无	未发现窗口内新帖
@AmandaAskell	无	未发现窗口内新帖
@bcherny	无	未发现窗口内新帖
@mikeyk	无	未发现窗口内新帖
@DanielaAmodei	无	未发现窗口内新帖
@jackclarkSF	有	7 月 25 日 11:00:22；原创，家庭生活内容，503 赞、3 次转发、19 条回复；剔除
@nottombrown	无	未发现窗口内新帖
@janleike	无	未发现窗口内新帖
@_catwu	无	未发现窗口内新帖
@trq212	有	7 月 26 日 00:20:32；转发 @jerhadf 的 Opus 5 / FrontierCode 线程，0 赞、35 次转发、0 条回复；并入主信号，不单独计数
@Mike_A_Merrill	无	未发现窗口内新帖
@EvanHub	无	未发现窗口内新帖
@ErikJones313	无	未发现窗口内新帖

次级监控账号

账号	窗口内新发言	时间与处理
@noahzweben	有	7 月 25 日 10:23:47；原创，Opus 5 示例讨论，93 赞、5 次转发、2 条回复；低信号观察
@karan_sampath	无	未发现窗口内新帖
@lydiahallie	有	7 月 26 日 03:22:35；原创，询问用户使用 Opus 5，256 赞、9 次转发、139 条回复；低信号观察
@amorriscode	有	7 月 26 日 02:51:02；转发 @alex_erm 的 Opus 5 图像测试摘录，0 赞、118 次转发、0 条回复；原文细节截断，未纳入主榜
@IsabellaKHe	无	未发现窗口内新帖
@OmidMogasemi	无	未发现窗口内新帖
@alicelovescake1	无	未发现窗口内新帖
@lamismukta	无	未发现窗口内新帖
@yanda_chen_	无	未发现窗口内新帖

外部观察席与长尾发现

外部观察席：@johnschulman2、@nelhage 均未发现窗口内相关新发言，且没有把他们标记为 Anthropic 内部信源。
长尾 X 发现：关键词检索发现 @jerhadf 的 Opus 5 / FrontierCode 连续线程。该账号简介自述与 Anthropic 有关，但明确标注个人观点；因此正文按个人一手信源处理，不包装成 Anthropic 官方声明。
官方渠道：Anthropic Newsroom 页面当前可见最新条目为 7 月 24 日的 Opus 5；Research 页面也显示 7 月 24 日的 Project Pilot，但页面没有提供更精确的绝对发布时间。本期不把这两个页面日期不足以证明落入严格窗口的条目冒充 7 月 25 日至 26 日新动态，也未发现 3 条以上 Claude / Claude Code 官方更新。
YouTube / 播客 / 大会长内容：本轮主动检索了 Anthropic 高管、研究员及 Claude Code 相关长内容；检索到的候选缺少窗口内可验证的绝对发布时间，或未取得完整逐字稿，未纳入主榜。由此本期长篇内容覆盖存在证据缺口，不能据此断言过去 24 小时没有未被公开索引的访谈。

今日关注优先级：中

唯一达标信号解释了一个值得关注的评测现象，但它来自员工个人线程，且没有公开完整的 FrontierCode 任务集、分数表或独立复核。当前最稳妥的动作不是调整所有任务的默认 effort，而是把「范围遵守」加入自己的评测：同一任务分别跑 medium、high、xhigh，单独记录功能正确性、额外改动、可合并性和 token / 延迟成本。

下一窗口重点看三件事：官方系统卡或文档是否补充更多范围控制细节；Anthropic 是否公开 FrontierCode 的更多任务级数据；以及高 effort 的额外重构在真实代码库中究竟是净收益还是审核负担。

今日仅 1 条达标信号。