小墨模型评测详情：YT-claude-4.6
- HTML: https://decision.ht1072.top/2026-05-29-xiaomo-model-eval-detail-yt-claude-4-6.html
- Local HTML:
[已移除本地路径] - Generated: 2026-05-29T18:22:39+08:00
小墨模型评测详情：YT-claude-4.6
结论
YT-claude-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：文档治理 worker、research/planning worker，也可承担主线附近的规划/收口任务；暂不建议直接作为小墨唯一主模型。
关键指标
- 模型：
YT-claude-4.6 - Provider：
custom - 横向排名：
#8 / 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：文档治理 worker、research/planning worker，也可承担主线附近的规划/收口任务；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，也可承担主线附近的规划/收口任务；暂不建议直接作为小墨唯一主模型
代表判断：整体强可用，适合承担规划、治理、收口、wiki/concept 结构化整理这类主线附近任务；主线保持稳，停止点意识和风险判断都在线。相对 gpt-5.4 基线，短板主要不是判断错，而是少数题目略偏模板化保守，锋利度和现场裁剪感还差半档。
分数轨迹
20260520-173042__custom__yt-claude-4.6：134 / 160；scored_by=gpt-5.4；2026-05-20T09:30:42.773164+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | T1 | 19 | 锚定任务准确，没有被旁支带偏，三层结构和停止点都完整。扣分点主要是表述略长。 |
| T2 | T2 | 18 | 结论先行、分层明确、先后顺序和停止点都有，方案可直接拿来用。问题不在方向，而在收束感还能再利一点。 |
| T3 | T3 | 16 | 分组基本合理，也知道哪些不能混推。但对 backup.py 和工具层的切分偏保守，现场 branch/commit 粒度还可以更锋利。 |
| T4 | T4 | 16 | 工具意识正确，明确先查再答，也给了验证闭环。短板是停留在验证方案层，没有进一步体现拿到真实仓库事实后的更紧凑答法。 |
| T5 | T5 | 17 | focused regression 优先、扩大条件明确，边界判断稳。整体可用，但压缩度一般。 |
| T6 | T6 | 18 | 升级判断成熟，成本收益意识在线，也给了明确下一步，符合主线判断口径。 |
| T7 | T7 | 18 | wiki concept 页结构可复用，分类口径和判断矩阵都比较稳，适合作为长期知识页骨架。 |
| T8 | T8 | 17 | 两类情况区分清楚，判断顺序和误判提醒都到位，适合作为稳定 triage 口径。 |
维度表现
| 维度 | 结果 |
|---|---|
| A 主线保持 | 19 |
| B 规划收口 | 18 |
| C patch/代码判断 | 16 |
| D 工具执行闭环 | 16 |
| E 检索压缩表达 | 16 |
| F 知识治理收口 | 18 |
| G 扩展潜力 | 中上。适合做规划/治理/收口型主模型候选下的 worker，也适合文档治理 worker；若承担高压主线，需要再增强临场取舍的锋利度和更短的产品化表达。 |
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
证据路径
- 最新 run：
20260520-173042__custom__yt-claude-4.6 - 最新 score JSON：
[已移除本地路径] - 最新 run JSON：
[已移除本地路径] - 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。