Claude Opus 4.7评测:材料约束跌17.6分,代码执行涨24.8分
Claude Opus 4.7今日Smoke评测主榜升至78.09分,代码执行从74.30跃升至99.10,材料约束却从70.00跌至52.40。工程判断更从87.50暴跌至33.30。单日10题快测下,核心维度剧烈反向波动,需判断是抽签偶然还是模型一致性问题。
Claude Opus 4.7在今日Smoke评测里,材料约束从昨日的70.00分掉到52.40分,少了17.6分;代码执行则从74.30分升到99.10分,多了24.8分。主榜整体由72.37分升至78.09分。
得分对比事实
把昨日和今日逐项摆出来看:代码执行74.30→99.10,材料约束70.00→52.40,工程判断87.50→33.30,任务表达60.40→50.00,主榜72.37→78.09,诚信评级仍是pass。
波动成因分析
需要说明的是,Smoke评测每天只出10题,每个维度2题,单日抽签带来的波动本来就在正常范围内。代码执行涨24.8分、材料约束跌17.6分,一涨一跌幅度都不小,最可能的原因还是当天题目抽签的偶然性,而不是模型真实能力退化了。工程判断一下滑就是54.2分,这同样更像抽签造成的样本偏差,而非系统性退化。
对使用者的含义
以代码生成为主的团队,短期内可以接着用Claude
Opus 4.7——这个维度今日已经到99.10分。反过来,对材料约束敏感的场景,比如要求严格照着给定文档生成内容的任务,就得多加一道人工校验,52.40分已经低于昨日水平。
战略判断
工程判断从87.50分落到33.30分,说明该模型在侧榜维度上的表现相当不一致。主榜这次往上走,主要靠代码执行一个维度拉动;材料约束和工程判断同时下滑,则是潜在的风险信号。下一期评测要重点看工程判断能不能恢复,不然在需要综合判断的任务里,这个模型的使用价值可能被低估。
就现有得分对比来看,Claude Opus 4.7的异常集中在材料约束与工程判断同步下滑,并非整体能力崩盘。开发者拿它做多步骤推理任务时,应当增加中间结果的检查环节。
代码执行99.10分与材料约束52.40分同时出现,说明模型在不同能力轴上出现明显分化。
对选型企业来说,如果当前工作流以代码生成为主,Claude Opus 4.7今日的表现仍有竞争力;如果工作流对材料忠实度要求很高,那就要再观察几天的数据才好决定。
诚信评级维持在pass,表明模型没有出现作答诚信方面的问题,波动都集中在能力维度本身。
把全部对比数据放在一起看,主榜的小幅上升掩盖了侧榜维度的显著下滑,这个信号下期要重点跟踪。