数字木鱼 TK · 科技观察

AI 写代码，次高思考档为什么在一项评测里赢了最高档？

同一个模型做同一项代码评测，只把思考强度再调高一档，分数却低了。Anthropic 9 月 28 日公布的 Sonnet 5.5 数据中，FrontierCode 1.1 Main 主任务集的 Xhigh 档得分为 52.1%，Max 档为 46.2%。次高档高出 5.9 个百分点。

图：Anthropic 官方发布页表格局部，重点看 FrontierCode 1.1 (Main) 行与 Sonnet 5.5 列。

这项评测要看交出的代码能否达到合并标准。分数为何倒过来，还得看它怎样认定一次修改合格。

▌评测看的是“能不能合并”

制定 FrontierCode 的 Cognition 把目标称为可合并性：项目维护者会不会接受这次代码修改。它同时检查正确性、测试质量、修改范围、代码风格和项目规范。Anthropic 在 Sonnet 5.5 发布页的脚注里还说明：这项评测看改动能否无需人工再修改就被合并；即使额外改动有帮助，只要超出任务范围，也会被扣分。

在这样的评分下，多查一遍、多改几处，并不会自动加分。多出的工作仍要留在题目划定的范围里，还要赶上交付时间。

▌Max 多做的审查，为什么可能失分

Anthropic 披露了一个具体路径：Sonnet 5.5 在 Max 档更常运行 Claude Code 的 code-review skill。这个技能会把审查拆给多个子代理。Anthropic 引述 Cognition 检查的两个案例，其中出现超时或超出任务范围的额外修改，结果拉低了得分。

调高档位，在这里不只是让模型把同一步想得更久。它还可能改变后续的工具调用和审查轮次。在这两个案例里，额外审查没有换来更符合验收标准的代码。官方脚注解释了这条具体失分路径；逐题成绩没有公开到足以分摊全部 5.9 个百分点。

▌先定交付，再选档位

Anthropic 把 Claude Code 和 Claude 应用的默认思考强度设为 Medium，Claude Platform 默认设为 High；更高档会花更长时间推理和检查。Max 因而只是可选设置，不是每项任务自动该选的档位。

如果任务要求在规定时间内修改指定范围的代码，先说清完成条件和可改动的边界，再决定是否追加审查。Sonnet 5.5 的这项成绩把选档顺序摆在眼前：先看交付目标，再考虑思考强度，不必机械地开到最高。

资料与说明

本文只比较 Anthropic 公布的 FrontierCode 1.1 Main 同一模型两档成绩；5.9 个百分点为本文相减。两例失分过程由 Anthropic 脚注转述 Cognition 的检查，不是本文独立复测。