AI 真的降智了嗎？從技術、應用與心理看模型效能下降

AI 新知趨勢 ／ 資料更新至 2026 年 10 月 25 日

同一套 AI，昨天還能幫你整理報表、修程式，今天卻漏做、忘記條件，甚至反覆給出相同的錯誤答案。遇到這種狀況，很容易得到一個結論：它是不是「降智」了？

這個感受值得認真看待。官方確實公布過品質退步的事故，也有研究觀察到模型服務的行為會隨版本改變。不過，要找到解法，還需要分清楚：是模型改了、產品設定改了、任務變難了，還是我們評價它的標準改了。[1] [2] [3]

本文依《AI 模型上線後降智與效能下降研究報告》整理，從技術、應用與心理三個面向說明，並提供可以自己實作的排查方法。這是公開文獻與案例的綜整，沒有將個人感受或社群貼文數當成故障統計。

01先把「降智」拆成可以檢查的問題

「答案變差」和「系統變慢」需要分開測量。回答很快但漏掉必要條件，可能是品質問題；等很久仍然答對，則可能是延遲問題。把兩者混在一起，反而不容易找出真正的原因。

02技術面：模型之外的系統也會影響答案

你使用的 AI 產品，通常不只有一組模型權重。系統還會決定使用哪些指令、分配多少推理資源、保留哪些歷史內容，以及如何搜尋資料、呼叫工具。任何一層改變，都可能讓最後的成果不同。

有些退步，官方已經確認

其中，Anthropic 在 2026 年 4 月 23 日指出，相關產品問題影響 Claude Code、Agent SDK 與 Cowork，API 本身未受影響，三項問題截至 4 月 20 日均已修正。這些日期與範圍很重要，不能拿單一事故解釋所有平台、所有時間的品質抱怨。[3]

長對話可能累積錯誤方向

《Lost in the Middle》發現，在其測試條件中，把相關資訊放在長輸入的不同位置，會改變模型表現。因此，沒有超過上下文上限，不代表所有條件都會被可靠使用。[5]

Laban 等人另外比較「完整需求一次提供」與「需求分散到多輪」的模擬對話，六類生成任務的平均表現相對下降約 39%。研究觀察到，早期猜錯方向後，模型可能持續沿用原本假設。[6]

例如先請 AI 做「給小學生的教材」，幾輪後才補上「一年級、只用圖示、不放長句」，它可能仍保留最初的文字教學框架。把最新完整需求重新整理，再用新對話測試，是合理的排查方法；但改善也不能單獨證明底層模型曾被降級。

03應用面：單次答對，不保證整個流程成功

排行榜評測與真實工作，衡量的事情可能不同。企業需要的是一份正確、完整、能使用的成果；模型即使解題能力不差，也可能在檔案版本、工具執行或格式交付上失敗。

多步驟工作也會放大局部失敗。純數學示意：假設每一步成功率都是 95%，各步獨立且任一步失敗就使整體失敗，10 步全成功約為 59.9%，20 步約為 35.8%。真實流程可能互相影響，也能透過檢查修復，所以這些不是 AI 產品的實測成功率。

GPT-4 降智研究，為什麼常被誤讀？

2023 年流傳的早期質數測試數字，常被轉述成整體智力崩跌。2024 年正式文章已納入質數與合數，摘要報告該任務由 84% 變成 51%，並呈現不同任務有升有降。它支持服務行為值得監測，不能改寫成所有能力都全面下降。[1]

程式碼多了說明文字，導致自動流程無法執行，確實是交付問題；但評估推理能力時，還要分開檢查移除額外文字後的程式是否正確。格式遵循與程式邏輯都重要，只是需要不同的評分項目。

04心理面：信任與使用感受也會改變

心理研究能幫助理解評價，卻不能代替技術排查。已確認的真實退步，不能因為存在認知偏誤就被忽略；同樣地，感覺某個模型特別聰明，也需要結果驗證。

一次錯誤，可能讓人更快失去信心

Dietvorst 等人的研究發現，人看到演算法出錯後，可能更快失去信心，即使它整體預測仍優於人類。這稱為「演算法厭惡」。但其研究主要是預測與建議選擇，不能直接認定現代聊天產品的負評都是心理作用。[7]

看起來專業，也可能讓人過度信任

Logg 等人則發現，在某些判斷情境，人們更願採納演算法的建議，稱為「演算法欣賞」。可信的語氣與順暢的文字會影響使用感受，卻不保證內容正確。[8]

確認偏誤也值得注意：原本相信「正在偷降級」的人，可能更注意失敗案例；相信「新模型一定更強」的人，也可能替錯誤找理由。這是把既有心理理論延伸到本議題的假說，並沒有研究替所有降智抱怨算出心理因素占比。[9]

覺得更快，實測卻可能不同

METR 在 2025 年針對熟悉自身專案的開源開發者進行試驗，該情境下使用 AI 的完成時間平均增加 19%，參與者事後卻估計自己快約 20%。這說明主觀效率與實測可以不同，不能據此推論所有工作或後來模型都會讓人變慢。[10]

METR 在 2026 年 2 月的後續說明已指出，新資料出現加速跡象，但參與者選擇、任務選擇及多代理計時，讓效果大小難以可靠判定。因此，引用早期結果時，也必須保留後續更新。[11]

05實際排查：用同一個任務做可重複比較

若你懷疑 AI 最近真的變差，可以先保存 30 至 50 個代表性任務作小型排查。這只是工程起點，不保證能偵測細微差異；正式評估的樣本數，仍要依預期差異與資料變異規劃。

• 留下可重現案例：保存完整輸入、附件版本、舊輸出、日期與時區。只有「以前比較好」的印象，無法算出下降幅度。
• 固定看得到的設定：記錄產品、模型識別碼、方案、推理強度、記憶、自訂指令與工具。未開放的設定標為無法觀察。
• 拆開比較條件：用新對話對照長對話、完整需求對照分輪補充、直接回答對照含工具的流程。每次盡量只改一項。
• 隱藏版本再評分：逐題看正確性、必要條件、完整度與誤拒，不用回答長短或語氣判斷好壞。
• 把返工算進去：記錄合格成果的總耗時、重試與人工修正。若要正式判定，再用適合配對資料的統計方法。[12]

可以直接複製的比較範本

將 A、B 隨機排序，再用下列範本輔助檢查。AI 評審本身仍可能犯錯，重要答案請搭配人工或可執行測試確認。

請協助我比較兩組 AI 產出，先不要根據模型名稱判斷哪一組較好。

任務與輸入資料：［貼上同一份需求與資料］
驗收條件：［列出必要內容、格式、限制與正確答案］
產出 A：［貼上完整回答或可檢查的成果］
產出 B：［貼上完整回答或可檢查的成果］

請逐項檢查：
1. 事實或計算是否正確。
2. 必要內容與步驟是否完整。
3. 指定格式與限制是否遵守。
4. 是否有不必要的拒答，或宣稱完成卻沒有成果。

請引用具體片段說明差異，不以長短、語氣或排版代替品質評分。資料不足時標記為無法判定，不要猜測供應商是否換模型或削減算力。最後列出仍需人工驗證的項目。

常見問題

換新對話就變好，能證明模型沒問題嗎？
只能說上下文或產品流程值得優先排查；還要固定需求、設定與附件重測，才能縮小原因範圍。

回覆變快、思考文字變短，代表偷偷降級嗎？
速度、可見思考文字與真正使用的計算資源不是同一量。它們可作線索，仍需版本、設定與逐題結果支持，不能單靠畫面推定。

是不是所有尖峰時段都會換成較弱模型？
現有資料不足以支持這種普遍說法。成本優化是可檢驗的假說，但動機不等於證據；不同時段測到差異，也不能直接證明是故意節流。