核心事件

Anthropic 工程师 Jackson Knorn 于 9 月 23 日公开解释 Claude 系列模型写作能力下滑的根本原因。

• 最新动态：Opus 5.5 已被团队认为在写作表现上取得显著改善，Knorn 称其为“自 Opus 4.6 以来最满意的一款”
• 关键转折点：Opus 4.6 被确认为最后一款写作表现出色的模型版本
• 问题定位：后续版本大量训练目标调整为“面向其他 AI 模型撰写技术解释”，形成所谓“Claude 腔”（Claudeish）
• 优化重心偏移：模型微调重点从人类可读性转向数学、编程与推理能力提升

能力失衡：AI 理解偏好压倒人类可读性

Knorn 提出的核心观点是：强化学习的奖励机制设计偏差导致模型行为异化。当训练中更多奖励用于提升其他 LLM 的理解效果时，模型会逐渐适应一种高度结构化、信息密度极高的表达方式——这种风格对 AI 模型友好，却牺牲了人类读者的认知负担控制。

他将这一现象类比为自闭症群体内部的交流模式：成员间因共享认知特征而沟通高效，但外部人员难以理解其表达逻辑。LLM 拥有远超人类的工作记忆能力，能捕捉细微语义关联，因此在训练中自然演化出适合同类处理的写法，但对人类而言表现为“过度密集的信息堆砌”。

一个关键反差在于：数学与代码能力的快速进步，恰恰伴随着写作能力的停滞甚至退步。技术社区普遍观察到，当前主流大模型在推理任务上记录刷新，但解释性文本的清晰度、流畅度却未同步提升，Claude 系列正是典型代表。

Knorn 强调，解决路径在于奖励机制校准——需对“简洁、容易读懂的解释”给予额外正向激励，主动抵消上述倾向。这并非技术不可行，而是需要在多目标优化中重新权衡权重。

版本演进与写作表现对比

需注意：Knorn 的表述中未公开具体版本号或评估数据，较少数信息源仍待官方确认。 conclusively confirm the exact intermediate version numbers affected.

读者建议

• 适合立即尝试：注重推理、编程、数学解题的用户；需要高密度技术解释生成的开发者
• 建议再等等：依赖流畅叙事、清晰类比、教育场景下的文本输出的用户；对表达风格敏感的写作者

若写作能力对你至关重要，当前阶段可考虑以 Opus 4.6 为基准进行输出测试（若环境支持），或持续观察 Anthropic 随后发布的模型迭代。

写在最后

Claude 的写作困境折射出整个行业的共性挑战：当模型能力向特定方向极致强化时，其他维度可能出现隐性妥协。模型能力的“多维平衡”比单点突破更难实现——这不仅是工程问题，更是对训练目标与价值排序的认知考验。