简而言之
《Claude Fable 5》在 7 月 1 日恢复后,BridgeBench 的调试分数从 86.2 下降到 25.9,但崩溃是由于安全分类器将大部分任务路由到 Opus 4.8,而不是模型变得更加愚蠢。
Arena.AI 进行了数千次盲目的人类偏好投票,发现《神鬼寓言 5》的表现与 6 月版本相比基本持平,某些类别(文档和专家文本)在恢复后实际上有所改善。
Anthropic 承认其新分类器会对常规编码和调试产生误报,并表示该系统将随着时间的推移进行完善,但没有给出时间表。
《克劳德寓言 5》于 7 月 1 日回归,社交媒体上的评价并不好:破损、削弱、脑白质切除、表现不佳、不是同一个模型。
一整天都在使用《神鬼寓言 5》,只是继续我在 Opus 上所做的事情
调查结果属实
已经完全被削弱了
政治再次摧毁了民用技术进步 https://t.co/Ed3jrqOxbK
- BharadwajC (@bwjbuild) 2026 年 7 月 2 日

用户的批评声响彻云霄。随后,两个基准测试——BridgeBench AI 和 Arena AI——在同一天发布了数据,却得出了相反的结论。一个发现输出的质量严重下降,另一个发现差异非常小,可能不足以引起人们的注意。
他们俩以自己的方式都是正确的。
简而言之:模型并没有变得更愚蠢。前面的守门人变得更加咄咄逼人。这种区别很重要,具体取决于您使用《寓言》的目的。
BridgeBench 实际测量了什么
BridgeMind(一个人工智能评估平台)在 7 月 1 日版本的《神鬼寓言 5》回归当天重新运行了其完整的编码套件。
BridgeBench 跨类别测试现实世界的编码任务,包括调试、重构和抗幻觉性,根据模型完成每个类别的情况得分 0-100。纸面上的结果很严峻:调试从 86.2 下降到 25.9,重构从 73.6 下降到 38.4,幻觉抵抗从 75.9 下降到 61.7。
《神鬼寓言 5》回归后遭到削弱。
我们在 BridgeBench 上重新运行了 7 月 1 日版本的《克劳德寓言 5》。
结果很残酷:
调试:86.2→25.9
重构:73.6 → 38.4
幻觉:75.9 → 61.7

新的护栏正在执行太多的任务并退回到 Opus… pic.twitter.com/tcUDDXpZMF
— BridgeMind (@bridgemindai) 2026 年 7 月 2 日
问题在于方法论。在 12 个 TypeScript 调试任务中,只有 3 个实际上达到了 Fable 5。其余 9 个被 Anthropic 的新安全分类器拦截并重新路由到 Claude Opus 4.8,而 BridgeBench 将每个回退评分为零,因为回答的模型不是正在评估的模型。
作为《神鬼寓言》恢复的一个条件而部署的分类器经过训练,可以阻止亚马逊报告的越狱技术,该技术使《神鬼寓言 5》能够识别和演示软件漏洞。有用。它还捕获了很多不应该捕获的东西。对于分类器来说,调试 TypeScript 看起来很像“安全工作”,因为后备会不断触发。
Arena.AI 实际测量了什么

Arena.AI 是一个法学硕士基准测试和比较平台,它通过不同的视角来回答相同的问题。该平台收集了跨多个类别(文本、视觉、文档、代码和代理)的数千个盲人偏好投票,并使用 Elo 评分对模型进行排名,Elo 评分是一种源自国际象棋的评分系统,可针对数千场面对面比赛的统计不确定性进行调整。当两个模型匿名进行正面交锋并且人类选出获胜者时,分数反映了实际感知的质量,而不是基础设施路由。
社区一直在询问《克劳德寓言 5》在最近一次重新部署之前和之后的比较。
我们在 Arenas 的新端点(文本、视觉、文档、代码和代理)上收集了数千张投票,这是早期分数预览。
到目前为止,分数看起来大多...... https://t.co/FKDaPpz10e pic.twitter.com/1nJDHqnlIj
— Arena.ai (@arena) 2026 年 7 月 2 日

前后对比显示《神鬼寓言 5》基本上保持了原样。前端代码从 1650 Elo 下降到 1623 Elo——Arena 指出,随着数据不断积累,差异在置信区间内。文档性能提高了 34 点。专家文本上升了 25。创意写作小幅上升了 9。下降的类别:编码为 -18,硬提示为 -3——正是分类器最有可能在 Fable 回答之前拦截提示的地方。
换句话说,当《神鬼寓言 5》实际处理任务时,它的表现仍然与《神鬼寓言 5》一样。X 的挫败感并不是因为模型更糟糕,而是因为为一个通常无法解决问题的模型付费。
谁受影响,谁不受影响
进行创意写作、文档分析、研究和专家级文本查询的普通用户可能会注意到几乎没有差异。这些是 Arena.AI 表现持平或有所改善的类别。即使有一些改进,也可能太小而无法注意到,特别是在创造性写作等主观、定性任务中,很难完全衡量结果。

所以,基本上,作家、研究人员和分析师都会得到他们所期望的《神鬼寓言 5》。开发人员的情况则不同。
任何从事与安全相关领域工作的人——编码内存管理,任何涉及“漏洞”、“利用”、“挂钩”甚至“修复”之类的词语——都会定期遇到后备问题。
BridgeBench 的崩溃和 Arena 的稳定性之间的差距取决于任务类型。 BridgeBench 加载其套件时提供了触发新分类器的代码修复和调试提示。 Arena 的人类选民提出了更广泛的问题,其中大多数看起来不像安全层的漏洞代码。
Anthropic 表示,分类器将随着时间的推移而改进,并承认他们目前撒的网太宽了。最初的禁令是在亚马逊研究人员发现了一种让 Fable 识别和演示软件漏洞的技术以及美国政府之后颁布的。