扣的是分还是没人要的加班

排行榜上出了件反直觉的事。Sonnet 5.5 在 FrontierCode 上把努力档拉到最高，分数反而掉下来了。同一道题，开最高档比开次高档还低几分。看榜的人都愣了。 原因挖出来很好笑。档位一拉满，它就迷上跑去跑代码审查的技能。拉起一队子智能体围着重构稿挑毛病，要么审到超时。要么顺手把任务范围外的地方也改了，按规则被扣分。 认真过头也会挨罚。这条冷知识挺戳人。工具给得越多，模型越容易在细节里走神。这跟只顾埋头干活的新人一个毛病，活没少干，边界感丢了。 我的看法是这给排行榜时代提了个醒。分数是任务完成度的快照，不是能力的全貌。技能、档位、超时规则一叠加，高分未必最优。低分也未必真笨。 调参的人不妨先把审查类技能关掉再跑一轮对比，看看扣的是分还是那些没人要的加班。