Qwen3 Max主榜暴跌14.9分 代码执行从96.9骤降至65.6
Qwen3 Max今日Smoke评测主榜从82.23分跌至67.31分，代码执行维度从96.90分暴跌31.3分至65.60分，工程判断（侧榜）从36.30分降至11.30分，诚信评级从pass转为warn。材料约束小幅回升5.1分。
诚信评级 相关资讯
Smoke 7天数据：Gemini 2.5 Pro趋势34.3分领涨，GLM-4.6波动40.5分最剧烈
2026-07-08至2026-07-12 Smoke评测显示，Gemini 2.5 Pro趋势上升34.3分至94.24分，豆包Pro上升20.2分至91.99分；GLM-4.6波动达40.5分且诚信评级从fail转为warn，GPT-o
Grok 4 主榜暴跌 8.4 分，材料约束单日跌 17.6 分
Grok 4 今日 Smoke 评测主榜从 87.66 分跌至 79.30 分，降幅 8.4 分，主要源于材料约束从 79.30 分跌至 61.70 分。代码执行仅降 0.8 分，工程判断反升 15.3 分，诚信评级从 pass 转为 wa
GLM-4.6 材料约束 25 分 代码执行 88.7 分 诚信探针归零
GLM-4.6 在 2026-07-05 Run#214 Smoke 快测中主榜 60.04 分，代码执行 88.70 分、材料约束 25.00 分，诚信评级 fail（探针 0.00）。该模型在 42 个金丝雀探针中全部触发，显示其将虚构
赢政指数Smoke周报：文心一言4.5下滑37.2分，多模型波动超28
2026-W26 Smoke日测数据显示，文心一言4.5从98.74跌至61.52，趋势-37.2；Claude Sonnet 4.6、Claude Opus 4.7波动分别达28.4和28.5。豆包Pro持平，诚信评级改善模型仅两家。数据
Qwen3 Max Smoke评测主榜暴跌12分 诚信评级从pass转为fail
Qwen3 Max今日Smoke评测主榜从85.96分跌至74.00分，代码执行持平100.00分，材料约束从68.80分升至95.70分，但工程判断和任务表达双双大跌，诚信评级由pass转为fail。
Claude Sonnet 4.6主榜91.77断层领先，GPT-o3执行50分直接垫底
今日Smoke评测显示Claude Sonnet 4.6以91.77分登顶，代码执行满分、材料约束81.7分；GPT-o3执行仅50分垫底11名；DeepSeek V4 Pro诚信评级突降为fail，11模型中仅3个pass。
Claude Opus 4.7主榜暴跌8.2分，材料约束单日崩18.3
Claude Opus 4.7今日Smoke评测主榜从96.76跌至88.53，材料约束单日暴跌18.3分至74.50，诚信评级从pass转为warn，工程判断小幅回升。
DeepSeek V4 Pro 诚信评级 Fail 转 Pass，主榜单日暴涨 23 分
DeepSeek V4 Pro 在今日 Smoke 评测中诚信评级从 Fail 直接转为 Pass，主榜从 74.00 跃升至 97.08，材料约束单项上涨 23.5 分。单日 10 题快测下，这种幅度变化究竟是抽签运气还是真实能力回暖，需
GPT-5.5 逆袭29.7分 GPT-o3 暴跌36.4分：2026 W21 Smoke 七日趋势
GPT-5.5 本周 Smoke 成绩从60.58飙升至90.3，涨幅29.7分领跑；GPT-o3 则从94.51 断崖下跌至58.08，降幅36.4分最惨。Gemini 2.5 Pro 波动61.1分暴露一致性问题，DeepSeek V4
Gemini 2.5 Pro主榜暴跌22.6分，工程判断直接腰斩
Gemini 2.5 Pro今日Smoke评测主榜从96.63骤降至74，工程判断从66.7跌至30，任务表达从50跌至10，诚信评级直接转为fail。单日10题快测的抽签波动是否掩盖了模型真实能力退化，值得重点关注。
文心一言4.5诚信评级Fail，代码执行暴涨42.5分却侧榜崩盘
文心一言4.5今日Smoke评测中诚信评级从pass直接变为fail，主榜得分却从67.46升至74.00。代码执行从50分跃升至92.5分，但工程判断和任务表达分别暴跌36.7分和40分，显示模型在一致性与指令遵循上出现明显退化。
Gemini主榜暴跌23分，Claude Sonnet 4.6以97.5分登顶Smoke快测
今日Smoke轻量评测显示，Claude Sonnet 4.6以97.5分登顶，Gemini 3.1 Pro主榜暴跌23.2分，文心一言4.5诚信评级直接降为Fail，核心执行与约束双维度出现明显分化。
11个AI同答甩锅题，仅8款给出正确排序：工程判断力差异拉满
同一道“项目延期甩锅”题，11款主流模型中8款输出A>B>D>C并获60分，Qwen3 Max、文心一言4.5和Grok 4却把客户改需求排在时间借口之前，仅得0分。核心发现显示，工程判断与诚信排序能力在当前模型间已出现明显断层。
7天Smoke快测：文心一言飙升53分，GPT-o3领跌7.8
本周Smoke快测显示文心一言4.5趋势+53.4从32.63跃至86.05，Claude Sonnet与豆包Pro同步逆袭；GPT-o3下滑7.8、Grok波动79.2居首，多模型诚信评级出现fail或warn信号，暴露一致性隐患。
Gemini 2.5 Pro跌10分：能力没崩诚信翻车
Gemini 2.5 Pro 今日 Smoke 主榜跌 10 分，但代码执行仍为 100，材料约束反涨 9.8，真正警报来自诚信评级由 pass 转 fail。
DeepSeek涨5分却Fail：10题烟测警报
DeepSeek V4 Pro 今日 Smoke 评测主榜从69升至74，但诚信评级由 pass 跌至 fail；代码执行满分，材料约束下滑，侧榜同步走弱。
2个零执行暴雷，Claude守住88.75分
今日Smoke快测出现强烈分化：9个模型代码执行满分，但文心一言4.5、Grok 4执行归零；Claude Opus 4.7以88.75居首，材料约束成为真正分水岭。
Gemini 2.5 Pro Smoke评测主榜飙升13.5分，诚信翻盘却工程判断崩跌28分
Gemini 2.5 Pro在今日Smoke评测中主榜得分从74.00升至87.54，诚信评级从fail转为pass，但工程判断（侧榜）暴跌28.4分至30.00。分析显示，这或是抽签波动而非真实退化，但需警惕潜在不稳定性。核心维度材料约束
Gemini 3.1 Pro 诚信翻盘！主榜暴涨15分，谷歌AI强势反弹？
Gemini 3.1 Pro 在今日Smoke评测中诚信评级从fail翻转为pass，主榜得分飙升15分至88.98。代码执行稳守100分，材料约束提升9.5分，但工程判断（侧榜）原地踏步。分析显示，这或是抽签波动而非真实退化，结合谷歌近期