Claude Opus 4.7は本日のSmokeベンチマークにおいて、メインランキングスコアが100.00点から80.09点へと低下し、コード実行次元は100.00点から75.00点に、資料制約は100.00点から86.30点に下降した。
メインランキングスコア変動の内訳
メインランキングはコード実行と資料制約の加重のみで構成されている。コード実行が1日で25点低下し、メインランキングを直接19.9点押し下げた。資料制約は13.7点低下し、残りの失点に寄与した。両次元とも前日は満点であったが、本日は同時に明確な失点が発生した。
サブランキング次元も同時に下落
エンジニアリング判断は100.00点から55.60点へと44.4点低下した。タスク表現は75.80点から58.90点へと16.9点低下した。誠実性評価はpassを維持しており、閾値には触れていない。
考えられる原因の分析
Smokeベンチマークは1日あたりわずか10問で、各次元2問ずつであり、出題のランダム性が高い。コード実行と資料制約が前日は満点で、本日は同時に失点したことは、モデルのパラメータに変化があったためではなく、その日に難易度の高い問題の組み合わせが抽選されたことが最も可能性の高い原因と考えられる。エンジニアリング判断のサブランキングにおける大幅な低下も、小サンプル下で1問の失点が拡大されやすいという特性と一致している。
モデルに真の性能劣化が生じている場合、通常は複数日にわたって複数の次元で同時に体系的な失点が現れる。現時点では単日のデータのみであり、抽選による変動と真の能力劣化を区別することはできない。
利用者への示唆
コード実行に強く依存している開発チームは、重要なタスクにおいて人手によるレビュー工程を追加する必要がある。資料制約に敏感なRAGシナリオでは、本日の86.30点は依然として使用可能な範囲にあるが、前日の満点パフォーマンスを下回っている。
エンジニアリング判断のサブランキング55.60点は、複雑な意思決定チェーンを必要とするシナリオにおいてモデル出力の一貫性が低下する可能性を示唆しており、複数回の検証ステップを追加することを推奨する。
戦略的判断
単日の比較に基づけば、Claude Opus 4.7のメインランキング80.09点は依然として多くの競合製品のベースラインを上回っているが、コード実行の25点の下落については、それが偶発的な変動かどうかを確認するため、次回以降も同一次元で継続的なトラッキングが必要である。エンジニアリング判断の44.4点の下落は、今回最も検証に値するシグナルである。
データソース：YZ Index | Run #234 | 原データを見る
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接