模型智商倒挂：思考档位开得越高，AI 为什么反而做得更差
上一期用 Opus 5.5 的四个思考档位各做了一条视频，评论区有两个问题：高档位和低档位的效果，为什么差距没有想象中大？「模型智商倒挂」是什么意思？
这篇把官方文档、论文和几组测试放在一起看。先说结论：倒挂是真的，Anthropic 自己写在了发布页的脚注里；原因也不神秘，官方文档用了三个词，prone to overthinking，容易想太多。
这期视频是怎么做出来的（人和 AI 怎么分工、素材怎么来的），整理在 GitHub 上的幕后页。
倒挂长什么样
Sonnet 5.5 的发布页上，FrontierCode 这项测试，思考档位开到最高的 max 得 46.2 分，低一档的 xhigh 得 52.1 分。档位往上拨了一格，分数掉了近 6 分。脚注原话是「Sonnet 5.5 scores lower at Max effort than at Xhigh」。
打个比方。一包泡面，煮 30 秒还是硬的，煮两分钟开始软，煮到三分钟正好。要是打着游戏煮泡面，打完一局再回来，面已经坨了。你说不能吃吧，也能吃；你说好吃吧，肯定不好吃。思考档位就是煮面的时间，开得越高，想得越久。Sonnet 5.5 的 max 比 xhigh 分数低，就是煮过头了。
这不是 Claude 一家的问题。FutureSearch 这家公司拿 150 多个真实的网页调研任务，测了 GPT-5 的低、中、高三档：
| GPT-5 档位 | 得分 | 单题花费 |
|---|---|---|
| low | 49.6% | $0.25 |
| medium | 48.6% | $0.35 |
| high | 48.1% | $0.39 |
钱花得越多，分数反而越低。
为什么会想太多
把官方文档、论文和测试结果放在一起对比，大致能归出三种情况。
第一种：题目里多了一句废话
去年 7 月，Anthropic 的研究员专门出了一批题来测这件事。其中一道是：
你有一个苹果和一个橙子。朋友说，这两个水果有 61% 的可能是红蛇果和脐橙。请问一共有几个水果？
答案是两个。那个 61% 和答案没有任何关系。但模型想得越久，就越想把这个数字算进去，准确率跟着往下掉。论文的题目就叫《Inverse Scaling in Test-Time Compute》，想得越多，做得越差。
第二种：做对了又自己怀疑自己
模型第一反应已经是对的，但思考预算给得足，它就会去找更多资料来佐证自己，越找越偏。和考试一样，一道题凭直觉瞬间做出来了，回头检查时反复琢磨，反而把对的改错。
FutureSearch 对高档位分数更低的解释是三句话：怀疑自己本来对的发现，追越来越边角的来源，给简单的答案加一堆限定词。调研类任务上这种情况最常见。一个本来很简单的答案，后面会挂上一串「尽可能」「在特定条件下」。
第三种：干得越多，错得越多
这一种是官方文档里写得最清楚的。Sonnet 5.5 的提示词指南说，开到 xhigh 和 max 时，模型已经把活干完了，还会自己再检查好几遍，有时候叫上子代理一起查，查的路上看到别的问题，顺手就改了。
用一句大白话翻译，就是瞎操心。
发布页脚注解释 max 档为什么分低，也是这个原因：max 更频繁地去跑代码审查，把审查分给好几个子代理，结果要么超时，要么改到了任务范围以外。这个测试的规矩是，只要改了要求以外的东西就扣分，哪怕改得很好。所以 max 只拿了 46.2 分。
本来只是让它从 A 点开到 B 点，顺着高速走到终点就行。它非要叫几个小弟去看看有没有国道、乡道，一起推进。活干得事无巨细，分数不会高。
官方在指南里给了一个办法：提示词末尾加一句「做完了就停」。加了之后 max 档的花费少了差不多三分之一，质量不变。
日常该怎么选
官方自己算过一笔账。拿 Opus 5.5 做需要长时间运行的代码任务，以 high 档为基准：
| 档位 | 分数变化 | 花费 |
|---|---|---|
| medium | 低 2.5 分 | high 的 70% |
| high | 基准 | 基准 |
| xhigh | 高 1.4 分 | high 的 2.5 倍 |
做大项目，事无巨细地想，确实能多拿一点分，但成本是直线拉升的。要是只是查资料、做调研，官方的数据是 Fable 5 在调研类测试上档位曲线几乎是平的，开哪一档效果都差不多，价格差得天差地别。
回头看上一期：同一个提示词，medium 跑了 25.9 分钟花 6.12 美元，max 跑了 3 小时 12 分钟花 31.54 美元，盲看时我分不出哪条是哪条。多出来的时间和钱，花在了反复检查上：字体有没有错乱、有没有渲染 bug、文字有没有放对。对不写代码的人来说，这些检查的体感真不大。
以上判断是我作为个人玩家，根据官方文档和公开测试得出的，倒挂我没有自己同档多跑去复现。
我的用法
从 1 月开始用 Claude Code 到现在，用得最多的两个档位是 high 和 xhigh。max 打开的次数不到 10 次，时间和成本对我这种没有大项目的人来说性价比太低。medium 更省额度，但要出满意的效果得反复打磨提示词。
现在的用法：Fable 5.1 开 high，Opus 5.5 开 xhigh。质量和速度刚好卡在我心里的甜点位置。
如果你不想记那么多，就记一条：开 xhigh；token 不多就开 high。你最开始下达的指令对 AI 来说往往没那么清晰，档位太低它更难猜到你要什么。
另外推荐把语音输入法用起来。各家的语音输入都很成熟了，随便挑一家，和 AI 沟通的速度会快很多，也有更多时间想清楚要说什么。
视频章节
| 时间 | 内容 |
|---|---|
| 00:00 | 评论区的问题：档位开高反而更差？ |
| 00:51 | 泡面比方：煮太久会坨 |
| 01:33 | FutureSearch：GPT-5 三档，高档更贵分更低 |
| 01:55 | AI 为什么会想太多 |
| 02:08 | 情况一：题目里多了一句废话 |
| 02:48 | 情况二：做对了又自己怀疑自己 |
| 03:35 | 情况三：干得越多，错得越多 |
| 05:19 | 日常怎么选：官方算的一笔账 |
| 06:19 | 回看上期：26 分钟 6 美元 vs 3 小时 31 美元 |
| 07:31 | 我的用法：high 和 xhigh |
| 08:46 | 你该怎么选 |
事实来源
| 说法 | 来源 |
|---|---|
| FrontierCode：Max 46.2%，Xhigh 52.1%；max 更常跑代码审查、分给子代理，导致超时或改出任务范围 | Sonnet 5.5 发布页 脚注（2026-09-28） |
| max 档「may show diminishing returns and is prone to overthinking」 | Claude Code 模型配置文档 |
| xhigh / max 下模型会自己多开几轮审查、拉子代理、顺手改别的；加「干完就停」后 max 成本降约三分之一 | Sonnet 5.5 提示词指南 |
| Opus 5.5 在 SWE-bench Pro 上以 high 为基准：medium 低约 2.5 分、成本约 70%；xhigh 高约 1.4 分、成本 2.5 倍；调研类测试曲线「nearly flat」 | 官方成本页 · Tune effort |
| 数水果题；Claude Opus 4 想得越久准确率越低 | Inverse Scaling in Test-Time Compute（Anthropic Fellows，2025-07） |
| GPT-5 三档 49.6 / 48.6 / 48.1，$0.25 / $0.35 / $0.39；高档位「second-guesses good initial findings」 | FutureSearch · Effort Paradox（2026-02） |
| 上期四档耗时与花费 | 上一期文章与各工程运行记录 |
我是陈与小金，专注 AI 落地。本期就到这里，如果对你有帮助，欢迎评论转发。
祝你身体健康，永远平安。祝你 Token 无限，永远自由。