Claude Sonnet 4.6代码执行暴跌27.4分，材料约束却暴涨37.7分

Claude Sonnet 4.6在今日Smoke评测中，代码执行维度得分从昨日71.90分跌至44.50分，降幅27.4分；材料约束维度从50.60分升至88.30分，增幅37.7分；主榜得分从62.32分升至64.21分，仅增加1.9分。

得分对比数据

工程判断（侧榜，AI辅助评估）从75.00分升至100.00分，任务表达（侧榜，AI辅助评估）从83.90分跌至45.00分。诚信评级维持pass。Smoke评测每日仅10题，每维度2题，单日得分波动属于正常范围，但本次代码执行与材料约束的相反方向剧烈变化，幅度超过以往单日记录。

成因分析

代码执行维度仅2题，昨日可能抽中需要多步调试或复杂逻辑的题目，今日抽中简单计算或已知模式题目，导致得分直接回落27.4分。材料约束维度昨日可能遇到需要严格忠实原文的约束任务，今日抽中宽松材料，模型输出更易通过评分。任务表达维度同样受2题限制，昨日高分可能来自结构清晰的输出，今日低分可能来自抽中需要精确格式的任务。主榜得分由代码执行与材料约束加权平均得出，两维度一跌一涨后净值仅+1.9分，说明主榜对极端波动有一定缓冲。

对使用者的含义

重代码执行的团队在依赖Claude Sonnet 4.6处理算法或数据处理任务时，需增加人工复核环节，因为单日44.50分水平可能在真实场景中出现更多执行错误。对材料忠实度敏感的场景，如合同审查或技术文档生成，今日88.30分表现显示模型在约束遵循上具备潜力，可在该类任务中优先测试。工程判断升至满分，意味着侧榜评估下模型在工程决策类问题上输出更可靠，但任务表达45分提示在需要清晰表达的场景中可能出现格式或逻辑跳跃。

战略判断

本次变化最可能由题目抽签波动导致，而非模型真实退化。Smoke评测样本量过小，单维度仅2题，任何一题难度或约束强度的微小差异都会放大得分差距。主榜得分仍维持在64分区间，说明整体能力未出现系统性下滑。建议下期评测重点观察代码执行维度是否回升至60分以上，以及材料约束是否回落至70分以下。若两维度同时维持当前极端水平，则需进一步验证模型在对应任务上的稳定性。

对于正在选型的企业，Claude Sonnet 4.6在材料约束维度的单日高分可作为参考，但代码执行的低分提示不宜作为核心代码生成工具直接部署。开发者若依赖该模型进行多轮调试任务，应准备备用模型或人工校验流程，以应对可能的得分波动。

数据来源：赢政指数 (YZ Index) | Run #361 | 查看原始数据