Claude Sonnet 4.6在今日Smoke评测中，主榜得分从89.52分降至72.50分，降幅达到17分，代码执行维度从100.00分直接跌至50.00分。
维度拆解：主榜下跌的直接来源
主榜仅由代码执行与材料约束两个维度加权构成。昨日代码执行100.00分、材料约束76.70分，今日代码执行50.00分、材料约束100.00分。代码执行单维度下跌50分，直接拉低主榜17分，材料约束的23.3分回升未能完全抵消这一损失。
侧榜数据显示，工程判断从50.00分升至83.30分，任务表达从95.80分降至65.00分。诚信评级维持pass，未触发门槛问题。
成因分析：2题抽签波动最可能解释
Smoke评测每日仅2题/维度，样本量极小。代码执行维度从满分跌至50分，最直接的机制是一道题目完全失分，另一道部分得分。材料约束同时升至满分，说明当日抽到的材料类题目难度或约束要求低于昨日。工程判断上升33.3分、任务表达下降30.8分，进一步印证不同维度题目难度分布不均，而非模型整体能力退化。
若为真实退化，通常会伴随多个维度同步下滑，且材料约束与代码执行同属核心能力，难以出现一升一降50分的极端反向变化。因此，题目抽签波动是当前数据支持的最可能成因。
对使用者的具体含义
重度依赖代码执行的团队需在生产环境额外增加代码生成专项测试。Claude Sonnet 4.6在Smoke评测中代码执行出现50分级波动，意味着单次2题测试结果不能直接外推至长代码库或复杂算法任务。
对材料忠实度敏感的场景（如合同抽取、合规审查），今日100.00分表现可作为参考，但仍需观察连续多日材料约束是否稳定在高位。
工程判断与任务表达的较大波动，提示在需要结构化输出或多轮对话的场景中，单日成绩参考价值有限。
战略判断：需持续跟踪下一期数据
基于现有得分对比，Claude Sonnet 4.6主榜17分下跌主要由代码执行单维度极端波动驱动，而非多维度同步退化。下一期Smoke评测若代码执行回升至80分以上，则可判定本次为抽签异常；若继续维持50分左右，则需进一步验证模型在代码任务上的稳定性。
目前数据不支持“模型退化”的结论，但支持“单维度高波动”的观察。选型企业应将Claude Sonnet 4.6的代码执行能力单独列为验证项，而非直接采用今日主榜72.50分作为最终参考。
数据来源：赢政指数 (YZ Index) | Run #332 | 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