AI企業が有料モデルの性能を密かに低下させているとする『Claude Opus 4.6弱体化』主張が暗号市場に衝撃を与えている。専門家はこの論争がAI関連仮想通貨、特にBNBに10%以上の急激な価格調整を引き起こす可能性があると警告。直近のATHから下落したBNBは、FSA（金融庁）の規制動向と相まって、短期間で大幅なボラティリティを示すリスクが高まっている。

BridgeMindが幻覚出現の98%増加を主張

コーディングベンチマーク「BridgeBench」を運営するBridgeMindは、Claude Opus 4.6が幻覚リーダーボードで2位から10位に転落したと投稿した。正確性は83.3%から68.3%に低下したと報告している。

「CLAUDE OPUS 4.6はナーフ（弱体化）された。BridgeBenchが証明した。先週、Claude Opus 4.6は幻覚ベンチマークで正確性83.3%を記録し2位だった。本日再テストしたところ、正確性は68.3%に下落し10位となった」と投稿した。

この投稿は「推論能力の低下」を裏付ける証拠として提示された。しかし、基礎データを精査すると異なる実態が明らかになる。

比較手法自体に根本的欠陥との批判

情報科学者のポール・カルクラフト氏は、この主張について「驚くほど科学的でない」と指摘し、手法の重大な問題点を強調した。

「驚くほど科学的でない。今日Opusは30種類のタスクでテストし、以前のスコアはわずか6種類。共通する6タスクで比較すると、今日は85.4%、前回は87.6%。大半のブレ幅は1件のみの誤答によるもので、繰り返しテストもなく、統計的なノイズの範囲内」と指摘した。

最初の高得点は6種類のベンチマークに基づくものだった。今回の再テストではタスク数を30に拡大している。

共通の6タスクにおける正確性はほぼ同じで、87.6%から85.4%へ僅かな低下だった。

Despicable clout chasing. They tested Opus today on 30 tasks, previous Opus 4.6 score was on just *6* tasks. DIFFERENT BENCHMARK

6 tasks in common results: 85.4% score today vs. 87.6% prev. Swing is mostly from a *single* fabrication without repeats – easily statistical noise https://t.co/wmFfAfNmEW pic.twitter.com/opUxoVevpP

この微小な差も、1つのタスクの誤答1回によるもので、繰り返しテストもなかったため、AIモデルの統計的ばらつきの範囲内にとどまる。

大規模言語モデルは決定論的ではない。サンプル数が少ない中で偶発的な誤出力が結果に大きく影響する。

業界の広範な不信が物語を加速

それでも、この投稿は反響を呼んだ。Claude Opus 4.6は2026年2月のローンチ以来、品質低下が指摘され続けている。

開発者の間では、応答が短くなり、指示の遵守が弱くなり、ピーク時には推論の深度が減少すると報告されている。

こうした現象の一因には、製品仕様の意図的な変更もある。Anthropicは適応的推論制御を導入し、モデルが自律的に推論リソースを調整できる仕組みを加えた。初期設定の推論レベルも効率重視の中程度に設定された。

New on the API: we're giving developers better control over model effort and more flexibility for long-running agents.

Adaptive thinking lets Claude calibrate its reasoning depth to each task, and context compaction keeps long-running tasks from hitting limits.

独立した調査によれば、6800件超のClaude Codeセッションを解析した結果、2月下旬までに推論深度は約67%低下した。

コード編集前のファイル参照比率は6.6から2.0まで減少。これはモデルがほとんど閲覧せずにコード修正を試みていたことを示す。

AIユーザーにとっての意味

これはAI業界で高まる緊張感の表れである。企業はモデルをリリース後、コストやスケールの最適化を図る。一方、ヘビーユーザーは常に最高のパフォーマンスを期待する。そのギャップが信頼を損なう要因だ。

現状の証拠からは、BridgeBenchのデータが意図的な性能劣化を証明するものではない。ベンチマークの比較方法が異なり、共通タスクにおける成績もほぼ同一だった。

ただし、根底にある不満は完全に的外れというわけではない。適応型計算制御やサービスレベルの最適化により、Claude Opus 4.6の実際の挙動は変化している。安定した出力を求める開発者には、この違いが重大な問題となる。

Anthropicは4月13日時点で、BridgeBenchの指摘に関する公式声明を発表していない。