Claude Opus 4.7 单日评测：代码执行跌 19.5 分，材料约束升 19.3 分

今天的 Smoke 评测里，Claude Opus 4.7 的代码执行维度从 94.50 分掉到 75.00 分，少了 19.5 分；材料约束则从 70.00 分涨到 89.30 分，多了 19.3 分。主榜总分从 83.48 分降到 81.44 分，只跌了 2 分。

数据事实与维度拆解

Smoke 评测每天只出 10 道题，每个维度 2 道题。主榜由代码执行和材料约束两项构成，工程判断和任务表达归入侧榜。今天主榜的 81.44 分，正是代码执行 75.00 分与材料约束 89.30 分共同算出来的。侧榜方面，工程判断从 55.60 分升到 75.00 分，任务表达从 37.50 分升到 50.00 分，诚信评级仍然是 pass。

成因分析：抽签波动还是模型退化

一天 10 道题的样本量下，题目抽签的随机性是最主要的变数。代码执行和材料约束同时出现接近 20 分的反向变动，说明模型面对不同题型时的表现差距被放大了。反过来看，如果真是能力退化，一般会伴随多个维度一起下滑；可今天侧榜两项都在涨，这更像是题目分布的问题，而非整体能力下降。

材料约束能涨 19.3 分，或许是今天抽到了更看重引用忠实度的题目；代码执行之所以暴跌，可能是因为抽中的代码题需要复杂多步推理，或者本身就是边缘案例。两项得分一涨一跌正好抵消，主榜这才只微降了 2 分。

对使用者的具体含义

对重度依赖代码生成的团队来说，单日代码执行 75.00 分意味着在复杂调试或多文件重构这类场景里，模型输出的稳定性可能不如前一天的 94.50 分。材料约束拿到 89.30 分，则说明在需要严格照着参考文档来的 RAG 场景下，今天的表现比昨天好。

工程判断和任务表达这两项侧榜上行，对需要模型做架构决策或拆解需求的开发者来说，今天用起来会顺手一些。不过主榜的波动也提醒一点：选型不能只盯单日分数，还得多看几天的连贯表现。

战略判断

从今天的数据看，Claude Opus 4.7 主榜得分的变化，主要是代码执行与材料约束随机抵消的结果，目前没有证据支持模型真的退化了。Smoke 评测每天每维度只出 2 题，这种设计本身就会放大波动，单日 19.5 分的降幅仍在正常区间内。

如果下一期代码执行还停在 80 分以下，同时材料约束也回落，那就需要重点验证模型在代码类任务上对题型是否敏感。眼下的数据只反映出抽签波动，还够不上持续关注的信号。