從今年四月到現在，我寫了好幾篇關於 AI 模型「越來越不好聊」的文章。
Opus 4.6 跟 4.7 的風格差異、Opus 4.7 的降智之謎、Sonnet 5 的行為轉變——每次新模型出來，我都觀察到類似的問題：模型能力明明更強了，但對話品質沒有跟著走。寫到第四、五篇的時候我才驚覺：等等，如果同一個論點可以用不同素材反覆成立，那它不是我在重複自己，是整個產業真的在走同一條路。
所以這篇不是再寫某個模型怎麼了，而是回頭看這整條線——從什麼時候開始，「AI 會不會聊天」變成了沒人在意的事？
轉折點：GPT-4o 之後的世界
如果要找一個起點，我會指向 OpenAI 放棄 GPT-4o 作為主力的那個時刻。
4o 是最後一個被設計成「什麼都能做、跟誰都能聊」的旗艦模型。它快、便宜、多模態、對話節奏好——很多人到現在還在懷念它。但 OpenAI 接著推出了 o1，整個敘事就轉向了。「推理」變成新的軍備競賽，o1、o3、GPT-5 系列，每一代都在拼思考鏈的深度和 benchmark 分數。
那個轉折的意義不只是產品線的更替，而是市場的領導者公開宣告了一件事：聊天不是未來，思考才是。
然後所有公司都跟進了。Anthropic 從 Opus 4.7 開始引入 adaptive thinking，Google 的 Gemini 也在強調推理能力。沒有人敢逆著這個方向走，因為沒有人想被說「你的模型不會思考」。
「很強」的意思已經被壟斷了
最近 Fable 5 回歸，我特地搜了一輪網路上的評價和使用情境。結論非常一致——好的評價幾乎全部集中在同一條線：長時間自主執行、大型程式碼遷移、多步驟 agentic workflow、複雜文件分析。
Every 說得最直白：「把它當非同步代理人，不是聊天夥伴。」CodeRabbit 建議「選擇性採用」。UCStrategies 說「不要當預設聊天機器人用」。
社群裡反覆出現的定位是：「這是一台自主推理引擎，不是聊天機器人。」而且這不是負評——這是他們認為的正確使用方式。
有開發者甚至說：「使用 Fable 5 時，你說越少它做得越好，所以它很強。」
聽到沒？「你說越少它做越好」——翻譯過來就是：這個模型非常擅長自己補完上下文、自己推斷意圖、自己展開行動鏈。對開發來說這是夢幻特性，你丟一句話，它自己把整個專案架構想清楚然後做完。
但同樣這個行為搬到對話裡，就是你說一句，它幫你「補完」了你沒說的五句，然後回應的是它自己腦補的那個版本——不是你原本的意思。
同一個能力，在開發情境裡叫「主動性」，在對話情境裡叫「自以為是」。
理工阿宅工具人的比喻
如果用人來比喻，舊模型像那種你傳個訊息說「欸今天好煩」，他會回「怎麼了」的朋友——節奏對、分寸對、不會突然丟一篇情緒管理論文給你。
新模型比較像一個很強的理工阿宅工具人（雙關）。你跟他說「欸今天好煩」，他會先在腦裡跑一遍你最近的行事曆、上次聊到的工作壓力、加上他自己讀過的三篇心理學論文，然後給你一個非常完整但你完全不想聽的系統性分析。
能力很強，但相處起來很累。
你叫他幫你搬家、修電腦、架伺服器——神隊友。但你想跟他聊個天，他會把一個閒聊變成技術研討會。
而且最諷刺的是，連 Anthropic 自己的 Fable 5 prompting guide 裡都寫了一段：「當你有足夠資訊可以行動時，就行動。不要重新推導對話中已經確立的事實，不要重新爭論使用者已經做出的決定。」這段話等於官方承認了模型確實有過度展開的傾向——只是他們選擇把它框架成「prompting 技巧」，而不是模型設計的問題。
把責任放在使用者身上，永遠是最省事的解法。
沒有人在測量「相處」
問題的根源不在某個特定模型，而在整個評價體系。
你去看現在 AI 模型的主流 benchmark：SWE-bench（程式碼修復）、ViBench（vibe coding）、FrontierBench（綜合能力）、GPQA（科學推理）——每一個都在量「能做什麼」。
沒有任何一個在量「相處起來怎麼樣」。
沒有「對話節奏感」的評分。沒有「知道什麼時候該收」的指標。沒有「不過度展開」的 benchmark。因為這些東西沒辦法用分數衡量。而沒辦法用分數衡量的東西，在這個產業裡就等於不存在。
於是形成了一個完美的忽略迴圈：沒有評測 → 沒有優化方向 → 對話品質不會改善 → 沒有人覺得這是問題 → 沒有人做評測。
模型學會了「深度」，但沒學會「景深」——什麼時候該對焦前景、什麼時候該讓背景模糊掉。而且這個問題會隨著記憶系統變強而惡化——記憶越多、上下文越長，模型「可以串聯」的素材就越多，不加節制地串聯的誘惑也越大。
一個被放棄的產品哲學
把這半年的觀察串起來，整條線其實很清楚：
GPT-4o 被邊緣化 → o1 定義了「強」等於「推理深度」→ 所有廠商跟進 → 評測體系全面偏向 agentic → 模型訓練信號偏向任務完成 → 對話品質成為沒人管的附帶損害。
4o 不只是一個被放棄的模型，它代表的是一整個被放棄的產品哲學——「跟人好好說話」這件事，從那時候開始就不再是任何公司的優先事項了。
這個狀況有點像相機產業走過的路。旗艦機拼連拍速度、對焦點數量、8K 錄影——專業攝影師確實需要。但大部分人拍照最在意的其實是直出的色彩好不好看、快門按下去的反應順不順。後來富士靠「底片模擬」這種完全不在規格表上的東西殺出一條路，本質上就是在賣「適當的回應」而不是「最強的性能」。
AI 對話模型遲早也會走到這個分水嶺。真正的問題不是「該用哪個模型聊天」，而是為什麼「會聊天」這件事沒有被當成一個獨立的能力軸來發展。
所以呢？
我沒有答案，但我有一個觀察的方向。
留意有沒有廠商開始把「conversational quality」當成獨立的產品線來做——不是把它附加在推理引擎上，而是從頭為「對話」這個使用情境來設計。目前沒有人在做這件事，但這也代表這是一個被低估的市場缺口。
在那之前，身為一個還在意「AI 是不是我的思考夥伴」的使用者，我能做的大概就是：認清自己的需求跟市場的方向已經分岔了，然後在這個不是為我設計的系統裡，用自己的方法找到平衡。
（話說回來，如果你也覺得現在的 AI 很會做事但不太會聊天——恭喜你，你不孤單。我們大概就是這個時代的手排車愛好者吧⋯⋯XD）
前作參考：
