GPT“降智”争议：Foxmir 社区观察报告解读

先说结论

2026 年 9 月 27 日，@Foxmir 发布了一份 61 页的个人观察报告，汇集自己在 Codex 等产品中的体验、社区交流与临时测试。它记录了真实的使用困扰，也提出了许多值得检验的问题；但现有材料不能证明某一模型被秘密替换、某个群体遭到定向限制，或“降智”有确定的发生率和统一机制。本文是对报告的整理与评析，不是平台方技术结论。

报告收集了什么

作者自述先后在小红书发布数篇帖子，获得约 1,000 条评论互动、与约 30 人私信交流，并在小群中同约 30-50 人进行过测试或讨论（报告第 8 页）。这些数字分别是互动量、交流人数和参与测试的大致人数，不是去重后的随机样本，也不是可计算总体比例的分母。愿意反馈的人可能更容易遇到问题；不同账号、套餐、地区、任务和时间也没有统一分层。

作者观察到同一模型标签下的答案质量、思考时间和使用体验存在波动，并记录了有人对模型效果满意、有人明显受影响的差异。这里可以确认的是报告所述的体验与反馈；其背后的成因仍待独立验证。

两类测试，各有边界

• 任务表现：例如不联网绘制鹈鹕 SVG、解决推理题，较贴近实际能力，但没有固定评分标准和历史基线时，单次输出很难用于判定“降智”。回答快慢、语言风格或一题答错也不能单独识别模型。
• “内部知识”题：附录提供 25 道按事件日期排列的题，并用答题情况推测模型层级。这是在测回答结果，不是在读取真实后台路由；知识截止日期、模型标签、题目提示、猜测能力及是否检索都会影响结果。作者自己追加测试时，让原本答不出的模型猜答案，后两组题分别答对 3/5 和 2/5（第 10 页）。因此“答出较新事件”并不能直接证明使用了另一模型，“不清楚”也未必说明能力被降低。

报告称其接触的反馈中有“60% 以上”呈现某种模型/思考等级组合（第 3 页）。由于招募方式、独立样本数、重复测量和判分规则不清楚，这只能视为作者接触样本内的粗略印象，不能外推为用户总体比例。

英文环境是否有效？目前只能算线索

作者尝试改变界面和连续使用语言，并邀请约 5-6 人测试，收到约 3-4 份改善反馈（第 32-35 页）；也有无效反馈。作者自己的前测记录并不完整，且界面语言、项目/会话命名、新会话和连续提问等因素同时变化。结果不能归因于“英文”一个变量，更不能据此断言简体中文用户被针对。把它当作待复测的假说，比当作可靠修复方案更稳妥。

报告另提出约 250 秒的动态“标记”周期，以及算力、防滥用、反代和蒸馏等动机解释。这些是作者引用网络信息和个人观察后建立的机制假说，报告没有可独立验证的内部日志、实验对照或平台证据，不能写成已查明的运行规则或官方意图。

把“感觉不对”变成可复核的个人测试

以下是本站依据报告第 12 节整理的排查方法，不是原作者已完成的受控实验。目标是判断工具能否稳定完成自己的工作，而非识别后台路由。

1. 选一项可自动验收的实际任务（如代码单元测试）和一项需要人工验收的任务（如 SVG 构图）。没有历史正常样本时，只能比较当前条件，不能宣称“比过去下降了多少”。
2. 测试前写好评分：代码看通过测试数与错误类型；SVG 固定动物特征、车架车轮、骑乘姿态、遮挡和文件可渲染性五项，各给 0/1/2 分。保存原始输出，尽量让不知道条件的人评分。
3. 同一条件至少尝试 3 次，使用新会话、等价难度任务，并跨不同时段重复。3 次只是个人排查起点，并非统计显著性标准；不能只展示最好或最差的一张截图。
4. 记录时间与时区、产品入口、模型标签和思考档位、任务文本版本、语言、会话是否全新、工具报错、得分与原始输出。避免公开个人身份或私有项目内容。

客观任务示例（本站设计）：要求模型用 Python 3 实现 merge_ranges(ranges)，输入若干整数闭区间；非法区间抛 ValueError；合并相交和相邻区间（[1,2] 与 [3,4] 合并），排序返回且不修改输入。要求写出覆盖空输入、乱序、嵌套、相邻、非法输入的断言。你自己运行这些断言并追加一两个未在提示词中出现的边界用例。评分看测试通过数与约束是否遵守，不看措辞像不像某个模型。

怎样验证“切换英文会改善”的线索

报告第 31-35 页描述了约 5-6 人的尝试，作者记下约 3-4 份改善反馈，也承认有无效反馈。其本人试验同时涉及英文提示词、新窗口、英文项目/会话名和界面语言；中文前测未完整记录。因此不能把差异直接归因于英语，更不能证明简体中文被针对。可按下面的顺序做低成本自测：

1. 先只改提问语言。账号、入口、模型档位、界面语言、项目和网络保持不变，准备语义一致的中英文任务，事先核对翻译是否改动约束。
2. 同一时段在独立新会话交替做中/英两版，下一时段反过来先测英文。每版至少 3 轮，完整记录顺序和结果；用等价任务交叉，减少反复答同一题的熟悉效应。
3. 如果英文多轮看起来更好，再独立测试只改界面语言。项目名、会话名、连续追问是另外的变量，不能一次全改后声称知道是哪项起作用。
4. 换时段便消失或结果忽好忽坏时，结论就是“不确定”。只有在真实工作任务中反复获益，且收益大于翻译成本，才值得调整工作流。

看结果时的四个提醒

• 单题失败可能来自题目歧义、工具错误或正常波动；看多任务多轮是否同向。
• 知识题答对较新事件仍可能是猜中。作者的补测中，原本拒答的模型被鼓励猜测后，两组各五题分别答对 3 题和 2 题（第 10 页）。
• 回答快慢只能触发进一步检查，不能替代可验收的任务质量。
• 容量/额度报错属于可用性问题，应记录错误原文和时间，与答案质量分开分析。

上述流程只能提高个人判断的可复核性，不能揭示服务器内部。报告中约 250 秒的“标记”周期、语言风险和商业动机均是待证实假说，不宜据此付费购买所谓修复服务。

真正影响工作时怎么做

如果工具反复无法完成你的实际任务，保存可复现的提示词、错误和评分记录，向服务方反馈；同时为排查设定时间与费用上限，必要时使用替代工具。不要为未经证实的“解封”付费，也不要用共享账号或不明代理承担额外风险。报告最后提醒用户：工具不顺手并不必然是自己做错了什么；同样，未经证实的机制解释也不应成为新的负担。

原作者：@Foxmir；整理与评析：AI Price Memory。本文依据作者截至 2026 年 9 月 27 日晚的版本撰写，后续产品状态和新证据可能改变判断。详情及完整测试提示词请直接查看原资料：

• 小红书原文
• GitHub 原报告仓库