Claude Sonnet 4.6在今日Smoke评测中，材料约束得分从昨日100.00降至79.50，单日下跌20.5分，同时代码执行从73.70升至100.00，主榜整体从85.54升至90.78。
得分事实与主榜构成
主榜仅由代码执行与材料约束两个维度加权构成。今日代码执行满分100.00，材料约束79.50，两者平均后主榜达到90.78。昨日材料约束满分时主榜为85.54，今日材料约束损失20.5分却被代码执行26.3分增幅抵消，主榜仍实现+5.2。
工程判断从100.00降至60.50，任务表达从95.80降至95.00，均属侧榜（AI辅助评估），不计入主榜排名。诚信评级维持pass。
可能成因分析
Smoke评测每日仅10题，每维度2题，题目抽签随机性高。材料约束单日损失20.5分，最可能源于今日抽到的2道材料约束题目对模型输出忠实度要求更高，模型在引用或约束遵循上出现扣分。代码执行2题全部满分，显示模型在该维度抽签题目上表现稳定。
若为模型真实退化，通常多个维度会同步出现波动，而今日任务表达仅降0.8分，侧榜工程判断虽降39.5分但不影响主榜。单一维度大幅波动且另一核心维度反向满分，更符合抽样波动特征，而非系统性能力下降。
对使用者的具体含义
对重度依赖材料约束的场景，例如长文档摘要、合同条款提取、知识库问答，Claude Sonnet 4.6今日79.50分意味着输出可能出现事实偏离或遗漏，建议增加人工校验环节。
对代码执行需求为主的开发者团队，今日100.00分显示该模型在算法实现、调试脚本等任务上具备高可靠性，可继续用于生产环境。
同时使用两类任务的混合团队需注意，模型在同一批次回答中可能出现维度间表现不均，建议按任务类型分别设置提示词或后处理规则。
战略判断
基于今日数据，Claude Sonnet 4.6材料约束的20.5分跌幅最可能由题目抽签波动导致，而非模型真实退化。主榜因代码执行满分仍实现净增长，表明核心能力未出现系统性问题。
单日Smoke评测波动属于正常范围，建议下一期继续追踪材料约束得分是否回升。若连续两日材料约束保持在80分以下，再考虑是否触发更深层评测。当前数据不支持对模型整体能力下调结论。
工程判断侧榜（AI辅助评估）的大幅下降可作为次要观察指标，但不改变主榜判断。诚信评级维持pass，模型回答一致性未触发诚信门槛。
数据来源：赢政指数 (YZ Index) | Run #297 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接