Claude 降智、GPT 降额：AI 厂商最近怎么了？

你可能也感受到了

最近用 AI 写代码，是不是觉得 Claude 变笨了？GPT 的额度不够用了？不是你的错觉。

2026 年 4 月，这两个问题同时爆发，而且都不是小问题。

Claude：从程序员最爱到众矢之的

质量断崖式下降

4 月 9 日到 10 日，大量 Claude Code 用户报告推理质量突然下降：

• 简单 bug 修复：以前 1-2 轮能搞定，现在要 7-10 轮反复尝试
• 不再使用专用工具：模型开始忽略 /plan、/bug 等命令，不再正确路由到子代理
• 推理深度变浅：回答更表面化，缺乏深度分析

一个 GitHub issue（#46143）详细记录了这个变化——客户端没有更新，配置没有改动，就是突然变笨了。

Claude 自己都承认了

The Register 做了个有趣的测试：让 Claude 分析自己 GitHub 仓库里的质量问题。结果显示：

• 1-2 月：平均每月 ~5 个质量投诉
• 3 月：飙升到 18 个（3.5 倍）
• 4 月前 13 天：已经 20+ 个，按趋势会超过 3 月

更大的事件：AMD 高管的数据报告

4 月 2 日，AMD AI Group 高级总监 Stella Laurenzo 在 Anthropic 的 GitHub 上发了一份堪称 AI 历史上最详细的 bug 报告：

• 分析了 6,852 个会话文件
• 统计了 234,760 次工具调用
• 发现 reads-per-edit 从 6.6x 暴跌到 2.0x

跌幅近 70%。一个产品的核心指标在一周内跌掉七成，放在任何行业都不可接受。

这意味着 Claude 变得不爱"读代码"了——不读就改，改了就错，错了再改，恶性循环。

Anthropic 确认的原因

• 3 月 3 日：默认 effort 级别从高改为 medium
• 2 月 9 日：上线了 adaptive thinking（自适应思考），但 thinking token 的 UI 显示可能被隐藏了
• 3 月 26 日：引入高峰时段限流，降低 5 小时会话内可用 token
• Prompt cache TTL bug：导致成本膨胀 10-20 倍

简单说：Anthropic 为了控制成本和应对算力不足，降低了模型的"努力程度"，用户感知到的就是"变笨了"。

4 月 13 日大宕机

雪上加霜，4 月 13 日 Claude 经历了一次大宕机，Claude.ai 和 Claude Code 都受影响，持续约 48 分钟。这进一步加剧了用户的不满。

OpenAI：降价+限流

ChatGPT Pro 价格腰斩

4 月 10 日，OpenAI 宣布 ChatGPT Pro 价格从 $200/月降到 $100/月。表面上是好消息，但背后逻辑值得思考：

• 降价通常意味着用户增长不及预期，或者成本结构发生了变化
• 同时推出了 GPT-5.4 mini 作为 fallback 模型——当达到速率限制时自动切换到小模型

隐性降额

虽然价格降了，但实际体验中不少用户反映额度变紧了：

• GPT-5.4 Thinking 的使用限制更严格
• 更频繁地被 fallback 到 GPT-5.4 mini
• 手动 Thinking 模式有每周 3,000 次的硬限制

降价的代价是更激进的限流和模型降级。

背后到底发生了什么？

算力瓶颈是核心问题

两家厂商的行为指向同一个结论：AI 算力供需失衡。

1. 需求爆炸式增长：AI 编程工具（Claude Code、Codex、Cursor 等）的用户量在 2026 年 Q1 出现爆发式增长，企业用户大量涌入
2. 供给跟不上：GPU 产能扩张需要时间，新数据中心的建设周期通常是 12-18 个月
3. 成本压力巨大：大模型的推理成本仍然很高，降价竞争加剧了亏损压力

厂商的应对策略

策略	Anthropic	OpenAI
降低模型"努力程度"	✅ 默认 effort 改为 medium	❌
高峰时段限流	✅ 5 小时会话弹性定义	✅ 更频繁 fallback
推出小模型替代	❌	✅ GPT-5.4 mini
直接降价	❌	✅ Pro 降价 50%
宕机	✅ 4/13 大宕机	—

本质上都是同一个思路：在算力不够的情况下，用各种手段控制单位用户的资源消耗。

对用户意味着什么

1. AI 编程工具的成本不再"几乎可以忽略不计"。上周我记录的 1.5 亿 token（有 RTK 优化）已经是压缩后的结果，如果没有优化工具，成本会更高
2. 模型质量可能继续波动。厂商在算力不够时会优先保企业客户，个人用户的体验可能会打折扣
3. 工具链的重要性上升。RTK 这类 token 压缩工具从"可选"变成"必选"，多模型混用的策略也更合理
4. 小模型的机会来了。GPT-5.4 mini 的推出说明厂商在认真做"够用就好"的模型，对特定场景可能比大模型更划算

我的应对

作为一个重度 AI 编程用户，我目前的策略：

1. RTK 常驻：已经验证了 57% 的 token 节省，零学习成本
2. 多模型混用：不依赖单一模型，Claude 不行就换 GPT，反之亦然
3. 错峰使用：Anthropic 自己都说了非高峰时段体验更好，如果任务不紧急，可以调整使用时间
4. 本地优先：简单任务尽量用小模型或本地模型处理，把大模型的配额留给复杂任务

真正的问题：不透明

算力不够可以理解，真正让用户不满的是处理方式。

Anthropic 没有坦诚地说"我们算力紧张，需要临时限流"，而是把默认 effort 悄悄调低、把 thinking token 的显示隐藏、把限流包装成"弹性定义"；OpenAI 一边宣布降价，一边更频繁地把用户静默切换到 mini 小模型，而不明确告知。你付了同样的钱，得到的可能是降级后的服务，且无从察觉。

用户不傻。给了什么、没给什么，大家心里都有数。与其在话术上做文章，不如把精力放在扩容上——给用户最好的产品，而不是最便宜的借口。

写在最后

AI 行业正在经历一个有趣阶段：技术能力在快速提升，但基础设施还没跟上。厂商在用户增长、成本控制和体验质量之间艰难平衡。

对于我们开发者来说，最好的应对不是抱怨模型变笨，而是建立一套不依赖单一厂商的工作流。毕竟，工具是为了服务我们，而不是反过来。

---

相关文章：

• 上一篇：一周 1.5 亿 Token：RTK 优化后我的 Codex 使用记录
• 再上一篇：一周消耗 3.5 亿 Token：我的 Codex 使用记录