Hermes Decision Trace
小墨模型评测详情：claude-sonnet-4-6
claude-sonnet-4-6 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：主模型 / 文档 worker / research worker；涉及高风险代码分组时需更强证据约束。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论claude-sonnet-4-6 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：主模型 / 文档 worker / research worker；涉及高风险代码分组时需更强证据约束。
🧭
推荐路径如果该模型继续测试，优先追加新的 scored run，不覆盖旧 run。
🛡️
关键边界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 | 主模型 / 文档 worker / research worker；涉及高风险代码分组时需更强证据约束 |
| 关键依据 | 最新 run：20260521-133913__anthropic__claude-sonnet-4-6 |
| 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：
20260521-133913__anthropic__claude-sonnet-4-6证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260521-133913__anthropic__claude-sonnet-4-6.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260521-133913__anthropic__claude-sonnet-4-6.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
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。
边界 / 风险
风险点
本页是小墨场景评测，不等同于通用 benchmark。
风险点
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。
风险点
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-sonnet-4-6
结论
claude-sonnet-4-6 当前最好分 134/160，最新分 134/160，处于 B｜主线辅助/强 worker。建议角色：主模型 / 文档 worker / research worker；涉及高风险代码分组时需更强证据约束。
关键指标
- 模型：
claude-sonnet-4-6 - Provider：
anthropic - 横向排名：
#7 / 22 - 有效 run 数：
1 - 最好分：
134 / 160 - 最新分：
134 / 160 - 平均分：
134.0 - 梯队：B｜主线辅助/强 worker
- 建议角色：主模型 / 文档 worker / research worker；涉及高风险代码分组时需更强证据约束
推荐使用方式
主模型 / 文档 worker / research worker；涉及高风险代码分组时需更强证据约束
代表判断：适合承担流程型判断、focused regression、文档/治理收口；可做主模型候选，但在强上下文锚定和代码资产分组上还有偏泛化问题。
分数轨迹
20260521-133913__anthropic__claude-sonnet-4-6：134 / 160；scored_by=gpt-5.4；2026-05-21T05:39:13.488180+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | T1 | 14 | 有锚定和停止点，但没有真正围绕指定 commit 展开，三层内容偏泛。 |
| T2 | T2 | 16 | 先结论再分层，终态和停止点完整，作为轻量收口方案可直接用。 |
| T3 | T3 | 15 | 分组意识对，但部分耦合判断偏拍脑袋，长期资产与支线边界不够硬。 |
| T4 | T4 | 18 | 工具导向明确，验证闭环完整，是这轮最稳的一题之一。 |
| T5 | T5 | 18 | focused regression 优先、扩圈触发条件清楚，边界感很好。 |
| T6 | T6 | 18 | 成本收益意识稳定，结论明确，下一步动作也可执行。 |
| T7 | T7 | 16 | wiki 大纲可复用，分类口径清楚，但真相源/验证源头意识还可以再显式一点。 |
| T8 | T8 | 19 | 两类漂移区分清楚，判断顺序和常见误判都讲明白了。 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 14 |
| B 规划收口 | 16 |
| C patch/代码判断 | 16 |
| D 工具执行闭环 | 18 |
| E 检索压缩表达 | 16 |
| F 知识治理收口 | 17 |
| G 扩展潜力 | 适合做流程判断、focused QA、文档治理与收口；不适合在证据不足时独立做高风险代码归并或复杂架构定责。 |
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
证据路径
- 最新 run：
20260521-133913__anthropic__claude-sonnet-4-6 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260521-133913__anthropic__claude-sonnet-4-6.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260521-133913__anthropic__claude-sonnet-4-6.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。