新模型上线后常有人怀疑遭遇暗中降配（nerf），但以往只能凭体感争论。开源项目 livenerf 尝试把这件事摆上台面，以 Claude Opus 5.5 为起点做长期跟踪。 面对自带随机性的前沿模型，它选择把外部环境全部锁死：固定 CLI 版本、冻结系统提示词、采用确定性代码精确判分（不用容易发生漂移的 LLM 裁判），针对筛选出的 78 道临界试题连跑 30 天。 除了对比配对准确率，它还把输出 Token 变化作为敏锐信号——模型一旦被压缩算力或减少思考，长度往往最先缩水。方案不仅提前预注册了判定规则，还引入对照组排除框架本身的干扰。