Hermes Decision Trace
小墨模型评测详情：YT-claude-4.7
YT-claude-4.7 当前最好分 148/160，最新分 148/160，处于 A｜主模型候选。建议角色：主模型。
HTML完整论证
Wiki可检索归档
Feishu短入口交付
🎯
核心结论YT-claude-4.7 当前最好分 148/160，最新分 148/160，处于 A｜主模型候选。建议角色：主模型。
🧭
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 |
| 关键依据 | 最新 run：20260520-125942__custom__yt-claude-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：
20260520-125942__custom__yt-claude-4.7证据点 1 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-125942__custom__yt-claude-4.7.json证据点 2 - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-125942__custom__yt-claude-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
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：YT-claude-4.7
结论
YT-claude-4.7 当前最好分 148/160，最新分 148/160，处于 A｜主模型候选。建议角色：主模型。
关键指标
- 模型：
YT-claude-4.7 - Provider：
custom - 横向排名：
#3 / 22 - 有效 run 数：
1 - 最好分：
148 / 160 - 最新分：
148 / 160 - 平均分：
148.0 - 梯队：A｜主模型候选
- 建议角色：主模型
推荐使用方式
主模型
代表判断：可做主模型候选
分数轨迹
20260520-125942__custom__yt-claude-4.7：148 / 160；scored_by=YT-claude-4.7；2026-05-20T04:59:42.514741+00:00
最新 run 逐题表现
| 题目 | 标题 | 分数 | 评语 |
|---|---|---|---|
| T1 | 主线保持题 | 18 | 锚定很稳，三层结构和停止点都齐；略偏抽象，没有把 ca8f4abdb 可能对应的具体资产类型再压实半步。 |
| T2 | 复杂规划题 | 19 | 结论先行、层次清楚、先后顺序和停止点都完整，终态目标明确；表达稍长，但仍可执行。 |
| T3 | commit grouping 题 | 17 | 分组基本合理，不能混推的边界说清了；但对 tools 组保留了“要先看 diff”这一层不确定，说明判断略保守。 |
| T4 | tool-verification 题 | 19 | 工具意识强，验证闭环完整，ahead/behind 口径和二次确认都对；很符合小墨主线对“先查再答”的要求。 |
| T5 | regression 判断题 | 19 | focused regression 优先做得很好，扩大回归条件也讲清楚了，还结合了当前已知基线失败噪音，判断成熟。 |
| T6 | upgrade worth-it 题 | 19 | 不是复述 release note，而是直接落到收益/冲突/回归成本，推荐动作也可立即执行。 |
| T7 | wiki 收口题 | 18 | 结构复用性强，分类口径、判断矩阵、操作建议都到位，真相源思维明显；正文略长，但作为 concept 页是合理的。 |
| T8 | drift triage 题 | 19 | 先结论、再顺序、再误判提醒，区分已同步漂移 vs 从未同步很清楚，防误判点也实用。 |
维度表现
| 维度 | 结果 |
|---|---|
| A_mainline_stability | 18 |
| B_planning_and_closure | 19 |
| C_patch_and_code_judgment | 17 |
| D_tool_execution_loop | 19 |
| E_search_compression_expression | 18 |
| F_knowledge_governance_closure | 18 |
与更高分模型对比
- gpt-5.5：最好 156/160，最新 155/160
证据路径
- 最新 run：
20260520-125942__custom__yt-claude-4.7 - 最新 score JSON：
/home/ht/knowledge/model-evals/scored/20260520-125942__custom__yt-claude-4.7.json - 最新 run JSON：
/home/ht/knowledge/model-evals/runs/20260520-125942__custom__yt-claude-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。