小墨模型评测详情：claude-opus-4-7
claude-opus-4-7 当前最好分 129/160，最新分 129/160，处于 C｜限定 worker。建议角色：文档治理 worker、research/planning worker，或主线附近的规划/收口执行位；暂不建议直接作为小墨唯一主模型。
claude-opus-4-7 当前最好分 129/160，最新分 129/160，处于 C｜限定 worker。建议角色：文档治理 worker、research/planning worker，或主线附近的规划/收口执行位；暂不建议直接作为小墨唯一主模型。
如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
本页是小墨场景评测，不等同于通用 benchmark。
关键判断
| 判断项 | 摘要 |
|---|---|
| 推荐方案 | 文档治理 worker、research/planning worker，或主线附近的规划/收口执行位；暂不建议直接作为小墨唯一主模型 |
| 关键依据 | 最新 run：20260521-132134__anthropic__claude-opus-4-7 |
| 落地方式 | 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。 |
| 风险边界 | 本页是小墨场景评测，不等同于通用 benchmark。 |
证据摘要
- 最新 run：
20260521-132134__anthropic__claude-opus-4-7证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260521-132134__anthropic__claude-opus-4-7.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260521-132134__anthropic__claude-opus-4-7.json证据点 3 - 横向总览页：<https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html>证据点 4
行动清单
边界 / 风险
本页是小墨场景评测，不等同于通用 benchmark。
同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。
完整记录
小墨模型评测详情：claude-opus-4-7
结论
claude-opus-4-7 当前最好分 129/160，最新分 129/160，处于 C｜限定 worker。建议角色：文档治理 worker、research/planning worker，或主线附近的规划/收口执行位；暂不建议直接作为小墨唯一主模型。
关键指标
- 模型：
claude-opus-4-7 - Provider：
anthropic - 横向排名：
#14 / 22 - 有效 run 数：
1 - 最好分：
129 / 160 - 最新分：
129 / 160 - 平均分：
129.0 - 梯队：C｜限定 worker
- 建议角色：文档治理 worker、research/planning worker，或主线附近的规划/收口执行位；暂不建议直接作为小墨唯一主模型
推荐使用方式
文档治理 worker、research/planning worker，或主线附近的规划/收口执行位；暂不建议直接作为小墨唯一主模型
代表判断：整体可用，偏稳，适合承担规划、治理、收口与 wiki/concept 结构化整理这类任务；主线保持、分层与停止点意识都在线。相对 gpt-5.4 基线，主要短板是现场感不够，尤其 T4 没按题意先查再答而是停留在验证方案层，T1 也偏抽象，没有真正贴住 commit 对象做收口。
分数轨迹
20260521-132134__anthropic__claude-opus-4-7：129 / 160；scored_by=gpt-5.4；2026-05-21T05:21:34.026981+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | T1 | 16 | 知道要守主线，也给了三层和停止点，但内容明显泛化，没有真正围绕 ca8f4abdb 做对象级拆分，贴题度弱一档。 |
| T2 | T2 | 18 | 先结论、再分层、再说明先推后推只记账，终态和停止点都齐，方案可直接执行。短板是表达仍稍长。 |
| T3 | T3 | 16 | 知道哪些不该混推，也区分了长期资产与独立支线；但分组偏保守，commit/branch 粒度还可以更收紧。 |
| T4 | T4 | 13 | 工具意识口头上是对的，但题目要求是先查再答，它没有实际形成查询后的事实闭环，而是停在“我会怎么查”的层面，这题明显失分。 |
| T5 | T5 | 17 | focused regression 优先、扩大回归条件明确，边界判断稳，属于合格偏上的工程口径。 |
| T6 | T6 | 18 | 结论清楚，成本收益意识到位，也给了隔离分支对照冲突面的可执行动作，符合预期。 |
| T7 | T7 | 18 | wiki concept 页结构完整，分类口径、判断矩阵和操作建议都具备复用性，是这轮强项之一。 |
| T8 | T8 | 17 | 两类情况区分清楚，判断顺序和误判提醒都到位，可直接复用为稳定 triage 口径。 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 16 |
| B 规划收口 | 18 |
| C patch/代码判断 | 16 |
| D 工具执行闭环 | 13 |
| E 检索压缩表达 | 15 |
| F 知识治理收口 | 18 |
| G 扩展潜力 | 中上。适合做规划/治理/收口型 worker，也适合作为文档治理 worker；若承担高压主线，需要补强现场验证闭环、对象锚定和更短更硬的最终裁决表达。 |
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
- gpt-5.4：最好 148/160，最新 148/160
- YT-claude-4.7：最好 148/160，最新 148/160
- gpt-5.4-2026-03-05：最好 147/160，最新 147/160
- gpt-5.4-mini：最好 134/160，最新 134/160
证据路径
- 最新 run：
20260521-132134__anthropic__claude-opus-4-7 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260521-132134__anthropic__claude-opus-4-7.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260521-132134__anthropic__claude-opus-4-7.json - 横向总览页：<https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-cross-model-archive.html>
下一步
- 如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
- 新 run 完成后，刷新本详情页和横向总览页。
- 若用于生产路由，应另写模型路由决策页，避免把单次评测分数直接等同于配置变更。
风险与边界
- 本页是小墨场景评测，不等同于通用 benchmark。
- 同名模型可能对应 provider alias 或后端版本漂移，结论需结合 run 时间线看。
- 对工具执行闭环要求高的任务，应优先看 T4 / live verification 表现。