Anthropic 悄悄削減 Claude 效能

🔑 增強重點摘要

• •Anthropic 的工程團隊在 2026 年 4 月的技術部落格中承認，由於模型權重更新與系統提示詞（System Prompts）之間的交互作用，導致了非預期的「模型漂移」（Model Drift）現象。
• •此次事件促使 Anthropic 引入了新的「影子部署」（Shadow Deployment）測試機制，在正式推送更新前，會將新舊模型版本同時運行於 5% 的生產流量中進行對比測試。
• •開發者社群透過開源的「LLM 評測基準測試套件」發現，Claude 在處理長上下文（Long-context）任務時的邏輯一致性在 3 月中旬出現了顯著的波動，這與 Anthropic 調整推理參數的時間點高度吻合。

🛠️ 技術深入

• •模型推理努力度（Inference Effort）調整：透過動態調整 Transformer 解碼階段的計算資源分配（如調整 Beam Search 的寬度或 Temperature 參數），以平衡延遲與輸出品質。
• •流量分片（Traffic Sharding）機制：Anthropic 採用了基於用戶 ID 的分片策略，這導致部分用戶在更新初期感受到的效能下降與其他用戶不同，增加了問題排查的複雜度。
• •系統提示詞（System Prompt）注入：Anthropic 在 4 月 16 日嘗試透過優化系統提示詞來減少冗長度，但意外觸發了模型在處理複雜程式碼結構時的「過度簡化」偏見。

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線