Claude Opus 4.7材料约束暴跌17.6分，代码执行却逆势涨11.9

Claude Opus 4.7今日在Smoke评测中材料约束直接丢了17.6分，从98.3掉到80.7，主榜从65.19滑到63.82。同一模型代码执行却从38.1涨到50.0，任务表达也从30.0拉到50.0。这种冰火两重天的表现，让人不得不问：这是抽签运气，还是模型本身出了问题？

题目波动还是真实退化？

Smoke评测每天只跑10道题，2题一个维度，样本量极小，单日标准差本就容易拉大。材料约束维度主要考察模型对给定材料的严格遵循程度，题目如果抽到需要严格引用原文或拒绝外部知识的场景，模型一旦多加一句解释或擅自补充，就可能被扣重分。今日的80.7分与昨日98.3分的巨大落差，更像是抽到高难度约束题的结果，而非模型突然“忘记”如何遵守指令。

但也不能完全归因于运气。代码执行维度同期上涨11.9分，说明模型在结构化输出和逻辑链条上反而更稳。两种能力同时出现反向波动，更合理的解释是Anthropic最近可能对Opus 4.7进行了小范围的偏好对齐或安全强化，导致模型在“严格守材料”和“主动补全”之间产生了新的权衡。

行业动态佐证

本月Anthropic刚对Claude系列进行过一次安全微调，重点加强了“拒绝不安全或越界请求”的能力。这类调整经常会让模型在材料约束维度变得更加谨慎，遇到边界模糊的指令时更容易选择保守回答，从而降低得分。同时，Anthropic也在持续优化代码相关能力，4.7版本的代码执行基线本就高于前代，今日的50.0分更接近其真实水平。

工程判断和任务表达两个侧榜维度也同步反向运动，进一步印证了这次调整的针对性：模型在“听话”和“聪明”之间被重新校准了。

是否需要重点关注？

单日17.6分的跌幅在快测中属于异常，但还不构成模型退化的确凿证据。建议连续观察3-5天同一维度的中位数变化。如果材料约束持续低于85分，且伴随其他维度同步下滑，才需要判断为真实能力衰退。目前来看，更可能是Anthropic安全迭代的副作用，属于可控范围。

对于依赖材料约束的应用场景，开发者应在提示词中增加更明确的“仅使用给定材料”指令，降低模型自主发挥的空间。

一次快测的暴跌，往往暴露的不是模型崩了，而是训练目标悄然换了方向。

数据来源：赢政指数 (YZ Index) | Run #127 | 查看原始数据