Claude Sonnet 4.6代码执行暴跌19.5分 主榜却逆势上涨13.8分

在今日Smoke评测中，Claude Sonnet 4.6的代码执行得分从94.50分跌至75.00分，降幅19.5分，而材料约束得分从43.30分升至97.80分，主榜总分从71.46分升至85.26分。

数据事实：单日两题抽样下的极端反差

本次评测仅包含每日10题、每维度2题的快测设置。代码执行维度单日损失19.5分，材料约束维度单日增益54.5分，两者数值差达到74分。工程判断从88.90分微降至86.70分，任务表达从90.00分降至85.80分。诚信评级维持pass。

成因分析：题目抽签波动而非模型退化

Smoke评测每日仅2题的样本量极小，单题得分权重极高。代码执行维度本次可能抽中了对该模型不利的题目类型，导致75.00分低位；材料约束维度则抽中了高度匹配的约束任务，推高至97.80分。工程判断与任务表达的降幅均在5分以内，属于正常区间波动。现有数据不支持模型真实能力退化的结论，相反，主榜总分上升13.8分显示材料约束的极端正向贡献覆盖了代码执行的损失。

对使用者的含义

重度依赖代码执行的开发团队需注意，单日75.00分表现可能出现在连续抽签不利时，建议在关键代码生成任务中增加人工复核环节。对材料忠实度敏感的场景，如合同审查或数据提取，Claude Sonnet 4.6本次97.80分表现显示其在特定约束任务上具备高可用性。工程判断与任务表达得分仍保持85分以上区间，对需要结构化输出的产品集成影响有限。

战略判断

本次数据最可能由抽签波动驱动，而非模型系统性变化。主榜总分上升的事实表明，材料约束维度的权重在当前评测中对整体排名影响更大。需要下期验证的信号是：若连续三次Smoke评测中代码执行得分均低于80分，则应启动更大数据集的专项测试。当前单日数据不足以判定Claude Sonnet 4.6被高估或低估，建议将该模型列入观察列表而非调整优先级。

综合本次得分对比，Claude Sonnet 4.6在Smoke评测中的表现符合小样本高方差特征，整体能力未出现需要立即关注的退化信号。

数据来源：赢政指数 (YZ Index) | Run #268 | 查看原始数据