В этом разборе
Базовой оценке нужны идентификатор модели, группа задач и правило приёмки, действительно породившие результат.
Стандартный выбор является подвижной точкой отсчёта
Выпуск Fable и Mythos 1 сентября 2026 года предшествовал Opus 5.5 от 22 сентября. Анонс Sonnet 5.5 от 28 сентября добавил кандидата для обычной работы. Новый вариант влияет на стандартные настройки, однако выбор интерфейса и принятое внедрение приложения различаются. Историческая оценка ненадёжна, когда «модель по умолчанию» записана без идентификатора. Одинаковая надпись в разные моменты описывает разные системы, даже если видимый пользовательский процесс не изменился. Поэтому удобство выбора не должно стирать основание прежнего результата.
Сохраняется реально проверенная система
Условная оценка сравнивает извлечение сведений из фиксированного набора документов. Если отчёт указывает только «Sonnet», следующий читатель не определит поколение и режим результата. Сохранение идентификатора модели, применимой конфигурации и даты наблюдения делает вывод понятным. Это рекомендация учёта, а не утверждение об автоматическом изменении конкретного псевдонима при запуске. Существенно то, что удобного пользовательского имени недостаточно для воспроизведения или исторического сопоставления эксперимента. Отсутствующий контекст не восстанавливается достоверно из нынешнего интерфейса, поскольку он отражает уже другое состояние продукта.
Изменённая группа задач имитирует улучшение
Даже сохранённый идентификатор не предотвращает дрейф набора проверок. Удаление трудных документов или добавление преимущественно простых меняет общий исход независимо от модели. При пересмотре базы следует сохранять исходную группу и отдельно обозначать новую. Иначе хорошее среднее может отражать облегчённый ввод, а не улучшенное поведение. То же относится к правилам приёмки: ослабление определения правильности создаёт внешнее улучшение без соответствующего роста полезной работы. Поэтому сравнение требует одновременно стабильной личности кандидата и понятной преемственности задач, на которых получено наблюдение.
Условный журнал базовой оценки
Практическая запись связывает каждый артефакт с идентификатором модели, версией задачи и решением приёмки. Кандидат обновления проходит сохранённые задачи до обобщения дополнительных исследовательских примеров. Если меняется исходный файл или правило оценки, запись отмечает другое испытание. Здесь не утверждаются балл или переход в производственной среде. Сценарий создаёт объяснение результата, переживающее обновление интерфейса. Он также помогает различать регрессию поведения и изменение предмета испытания: это разные причины, требующие разных действий, даже если внешне итоговая цифра выглядит одинаково хуже прежней.
Внедрение требует отдельного решения
Новый выпуск может сразу стать актуальным, не становясь сразу стандартом внедрения. Проверка, выбор и развёртывание являются разными событиями с разными свидетельствами. Ретроспективный вывод — сохранять последовательность, а не переписывать старые результаты новым названием. Стабильная база не сопротивляется улучшению, а делает его наблюдаемым. Когда кандидат принят на нужной нагрузке, изменение внедрения записывается явно, оставляя прежние оценки точными историческими свидетельствами. Так развитие приложения не уничтожает возможность объяснить, почему команда раньше сделала другой выбор и какое новое наблюдение оправдало его пересмотр.