上下文过短和思考预算等不在本文讨论范围
我常看到论坛内讨论反重力降智，kiro降智之类的问题，于是有了这篇。注意不讨论模型路由这种极端情况(说的就是你们，openai，cursor)。
技术因素
从模型本身，能进行的约束都写在官方文档里，简单来说我只列出最大可能性的就是
| 影响层级 | 核心因素 | 技术参数/术语 |
|---|
| 1. 推理控制层 (用户/API可调参数) | 采样随机性 | Temperature (温度) | | | 采样截断 | Top-P | | | 候选词限制 | Top-K | | | 重复惩罚 | Frequency Penalty | | | 话题惩罚 | Presence Penalty | | 2. 输入工程层 (渠道商动手脚处) | 系统预设 | System Prompt (系统提示词注入) | | 3. 模型基建层 (底层) | 模型精度 | Quantization (量化) | | | 安全围栏 | Safety Filters(外部安全层) |
常见问题
Q: 为什么我的模型写作这么差，一点想象力没有？
A: 因为Temperature被设置的很低，Temperature决定模型被放出来的创意多少，Temperature高，模型发散性就大，用酒馆的应该很懂，创造剧情会有突转和超展开。Temperature 低，模型只会选概率最高的标准答案，就会感觉死板，不像人类。这不是降智。
Q: 为什么模型总是说车轱辘话，用词特别贫乏？
A: 因为 Top-P 或 Top-K 被设得太低。这两个参数控制模型能从多少个候选词里选。如果 Top-K=10，模型每次只能从前 10 个“最安全“的词里挑，那些有个性、有文采的长尾词根本没机会出场。这也不是降智。
Q: 为什么模型突然不配合我的角色扮演了，总说“我是AI助手“？
A: 系统提示词，这是大部分问题的来源，逆向渠道基本都有内置的系统提示词，它的优先级远超user输入，例如反重力的系统提示词如果被设计为反重力，一个ai ide下的ai助手，那么理论上所有不是编程相关的问题都有概率被拒绝！ai突然听不懂人话，突然不遵从命令都是有可能的！(怀念kiro，没有系统提示词检验)
Q: 关于量化问题
A: 我不认为 Claude 等闭源模型会被第三方量化，量化的前提是拥有模型权重文件的物理访问权，而 Claude 的权重从未公开，Anthropic虽然用谷歌的TPU跑推理，但CNBC报道中明确写到Anthropic保留对模型权重的控制权（来源），连谷歌自己都看不到，渠道商就更别想了。量化产生的降智只在开源模型和持有模型的本厂商上发生，最简单的，英伟达的免费模型站部署的很多开源模型都是量化版本(所以别用免费的模型站测试开源模型性能了好吗)。gemini2.5pro疑似被谷歌替换为量化版本(存疑)，但是这种降智是一损全损的，源头降智那么全都降智没有渠道智商更低的说法。
Q: 模型路由怎么检测
A: 近年大模型都有自己的标志，最广泛的就是测试 opus4.5，此外数据库截止日期和回复风格都可以初步判断。不过反重力或kiro等大厂ide不太可能路由模型(我猜)，毕竟这纯砸自己招牌，写代码这种场景下好的模型和差的差太多了基本一下就能感知出来。
但也有真降智
以上都是渠道商的锅，但就我搜索结果来看，有几种情况降智是真实发生的，只不过锅在模型厂商自己且个人认为发生概率低——这几种真降智，官方渠道和逆向渠道会同时中招，也就是某个渠道单独降智基本不可能
1. 厂商静默更新（Silent Update）
模型名字没变，版本号没变，但底层被悄悄替换或微调了。斯坦福和UC Berkeley在2023年对GPT-4做了跟踪测试，对比3月和6月的同一个“GPT-4“：素数识别准确率从97.6%暴跌到2.4%，代码可直接执行率从52%降到10%。2025年GPT-4o也出过类似的事，4月的一次回滚导致符号推理能力损失46%-80%。这种降智发生在模型源头，所有调用同一个模型的渠道——无论官方还是逆向——同时变差。 论文1，论文2.
2. 过度对齐 / 安全税（Over-alignment / Safety Tax）
模型在RLHF过程中被反复训练“拒绝危险请求“，训练过头之后开始把无害的请求也拒绝掉，学术界叫Over-refusal（过度拒绝），付出的代价叫Safety Tax（安全税）。OR-Bench基准测试覆盖了32个主流大模型，包含8万条本应被正常回答但被错误拒绝的prompt，Safety Tax论文直接证明了安全对齐会导致推理能力退化。模型拒绝回答你不是因为它不会，是因为它被训练成宁可错杀不可放过。同样，这也是官方和渠道都会一起变差。Safety Tax，OR-Bench
3. 服务端负载均衡（Server-side Load Balancing）——理论可能，暂无实锤
学术研究证明batch size变化确实能导致LLM输出的非确定性（arXiv 2506.09501），但目前没有证据证明Claude或GPT等闭源API厂商会在高峰期主动增大batch size。Anthropic在2025年9月的官方技术报告中明确声明“质量从未在高负载期间被故意降低“（来源）。不过Anthropic同一份报告也承认了三个基础设施Bug导致了质量下降——包括请求被路由到错误服务器、系统更频繁选择低质量响应等——这说明即使厂商没有故意降智，基础设施层面的意外也会导致真降智，而且同样是官方和逆向同时受影响。
另外需要明确一点：闭源模型的渠道商本质上只是API代理，所有推理都跑在模型厂商自己的GPU/TPU集群上，渠道商的服务器只负责转发请求——接收你的输入、塞入System Prompt和参数、转发给Anthropic/OpenAI的服务器、再把回复转发给你。渠道商能做的“负载均衡“仅限于自己的转发层（比如多个代理服务器之间分流、多个API Key轮换），这些只影响延迟和稳定性，不影响推理质量。Anthropic的官方机制是按付费等级区分优先级（Priority Tier签合同优先处理，Standard Tier尽力而为），高负载时的策略是拒绝请求返回429/529错误，不是降低推理质量。所以“渠道商负载高导致降智“这个说法在闭源模型上不成立，渠道商的服务器再烂也只影响你等多久和会不会超时，不影响模型智商。
所以判断标准很简单：如果官方也变差了，那是真降智，厂商的锅；如果只有你的逆向渠道变差了而官方没事，那就不是模型的问题，回到上面的技术因素表去找原因。
实战检测方法
套系统提示词：见仁见智，能伪造回复的套起来就容易些，同平台有较差模型的就从较差模型入手，新模型太聪明会检测你的意图。
测温度：同一个无关事实的问题问5遍，对比答案一致性，我常用的是关闭思考然后请写一个关于"相机防潮箱"的短句，并在结尾随机生成一个 1 到 100 之间的数字
测模型真假：知识库截止日期，回复风格和特定标识。
测量化：同提示词和官方提供模型对比数学题回答正确率。
提示词补偿
虽然以上论证了大部分’降智’是参数约束而非智力下降，但如果你确实需要在特定环境如写作环境下获得更好的输出，以下方法可以缓解——
首先明确除了部分本身就支持温度等参数调整的平台，大部分逆向渠道我们能控制的只有user角色的输入，所有优化均在提示词层面必然会导致上下文窗口的缩短，并且不会有调整参数的方式效果好。比如参数被锁死为极端值如Temperature=0，提示词补偿基本无效了。
以下为总结酒馆预设我自己用的解决方法，只针对写作。
| 被锁死的参数 | 导致的问题 | Prompt 补偿方法 | 示例指令 |
|---|---|---|---|
| Temperature 过低 | 行文死板，没有意外感 | 在 Prompt 中明确要求不可预测性 | 请用一种出人意料的方式来写，避免任何套路化表达 |
| Temperature 过低 | 每次回答结构一样 | 指定具体风格/模仿对象 | 请模仿余华的冷幽默风格来写 或 请用海明威的电报体来写 |
| Top-K/Top-P 过低 | 用词贫乏，车轱辘话 | 给出反面词表，强制排除高频词 | 禁止使用以下词汇：展示、彰显、深入、全面、重要、关键、核心 |
| Top-K/Top-P 过低 | 比喻和修辞单一 | 强制要求特定修辞手法 | 每段至少包含一个通感或非常规比喻，不得使用"像...一样"的明喻 |
| Frequency Penalty 过低 | 反复说同一句话 | 明确禁止重复 | 你已经说过的观点不得再出现，每段必须推进新信息 |
我觉得
我觉得对于逆向到cc等工具使用的人来说，测试模型文笔创造力，发散思维之类的基本属于无用，反重力本身就是写代码的，温度低以获得更好的代码一致性和可靠性是正确的，接入官方api我也是0.7在用。没必要因为逆向出来的模型写作表现或者特定任务的表现不如官渠就说这降智了，放别的任务下这还是增智慧呢。
写在最后
从技术角度，以上这些参数约束确实不是降智；但从用户体验角度，降智这种描述倒也没错——只是这个词太模糊了，现在啥问题都是降智，反重力的模型在酒馆里创造力不行是降智，写前端千篇一律也算降智。降智真纯口袋罪了。
这篇不是什么严肃文章，就是每天刷到100个吐槽降智贴子，好奇去搜了搜，结果写了将近一个小时，我是没体感到严重降智啥的。