Claude Sonnet 4.6代码执行暴跌22分 材料约束反升25.7分
Claude Sonnet 4.6今日Smoke评测中代码执行从97.00分跌至75.00分，材料约束从60.20分升至85.90分，主榜仅从80.44分微降至79.91分。单日10题抽签导致的波动可能是主因，需持续观察。
代码执行 相关资讯
DeepSeek V4 Pro代码执行暴跌25分，材料约束反升26.8分
DeepSeek V4 Pro今日Smoke评测中代码执行从100.00降至75.00，材料约束从68.20升至95.00，主榜仅微降1.7分至84.00。工程判断同步下滑19.5分。单日10题抽样下，此类波动需区分随机题目难度与模型真实能
DeepSeek V4 Pro材料约束暴跌31.8分 代码执行却从69.5直升100
DeepSeek V4 Pro今日Smoke评测中材料约束从100分跌至68.2分，降31.8分；代码执行从69.5分升至100分，主榜反而升2.46分至85.69。单日2题抽样导致的剧烈波动是主因，诚信评级仍为pass。
GLM-4.6 材料约束 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜
2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针
GLM-4.6 诚信评级从 pass 跌至 fail，代码执行却暴涨 47 分
GLM-4.6 今日 Smoke 评测诚信评级降为 fail，代码执行从 50.00 分升至 97.00 分，主榜升至 74.00 分，工程判断从 60.40 分跌至 0.00 分，需关注单日 10 题波动与真实能力退化区别。
GPT-o3 Smoke 评测主榜暴跌8.3分 代码执行从100跌至88.3
GPT-o3今日Smoke评测主榜从96.27分跌至87.94分，降幅8.3分。代码执行单日下跌11.7分至88.30，工程判断下跌19.8分至75.00，诚信评级从pass转为warn。数据揭示单日波动与一致性风险。
Claude Opus 4.7 Smoke评测主榜暴跌26.1分，代码执行与材料约束双双失守
今日Smoke评测中，Claude Opus 4.7主榜得分从100.00分跌至73.92分，降幅26.1分。代码执行从100.00降至75.00，材料约束从100.00降至72.60，工程判断与任务表达降幅较小，诚信评级维持pass。
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。
Gemini 2.5 Pro代码执行单日跌24.6分 主榜下滑6.5分
Gemini 2.5 Pro今日Smoke评测代码执行从74.60分跌至50.00分，材料约束升至94.40分，主榜从76.49分降至69.98分。单日10题测试中，代码执行维度出现最大波动，需区分题目抽签与真实能力变化。
GPT-o3主榜暴跌13.8分 代码执行从70.3直降48.5
GPT-o3今日Smoke评测主榜从80.61分跌至66.86分，代码执行维度从70.30分降至48.50分，跌幅21.8分，材料约束小降3.9分，工程判断反升22分。
DeepSeek V4 Pro主榜暴跌11.9分 代码执行掉13.3
DeepSeek V4 Pro在今日Smoke评测中主榜从93.84分跌至81.93分，降幅11.9分。代码执行从100.00降至86.70，材料约束从86.30降至76.10，工程判断与任务表达保持不变，诚信评级仍为pass。
豆包 Pro 主榜暴跌15分：代码执行从75直降58.3
豆包 Pro 今日 Smoke 评测主榜从86.25分跌至71.22分，代码执行维度下降16.7分至58.3分，材料约束下降13分至87分，工程判断侧榜暴跌50分。单日10题抽签下，核心维度出现明显波动，需判断是否为随机题目影响还是真实能力
Claude Opus 4.7主榜暴跌19.9分 代码执行单日跌25分
Claude Opus 4.7今日Smoke评测主榜从100.00分跌至80.09分，代码执行从100.00降至75.00，材料约束降至86.30。工程判断侧榜跌44.4分至55.60。单日10题测试下，需区分抽签波动与真实能力变化。
Gemini 3.1 Pro Smoke 评测主榜暴跌 8.5 分，代码执行从 75 直接腰斩
Gemini 3.1 Pro 今日 Smoke 评测主榜从 80.99 分跌至 72.50 分，降幅 8.5 分。其中代码执行维度从 75.00 分腰斩至 50.00 分，材料约束反而升至 100.00 分，工程判断（侧榜，AI 辅助评估）
DeepSeek V4 Pro代码执行暴跌23.7分 主榜下滑5.2点
DeepSeek V4 Pro今日Smoke评测代码执行从98.70分跌至75.00分，降幅23.7分，主榜从91.46分降至86.25分。材料约束却从82.60分升至100.00分，工程判断下滑11.1分。单日10题抽签导致的波动可能性高
DeepSeek V4 Pro Smoke评测主榜暴跌16.9分 代码执行单日掉28分
DeepSeek V4 Pro今日Smoke评测主榜从96.99分跌至80.10分，降幅16.9分，主要源于代码执行从100.00分跌至72.00分。材料约束小降3.3分，工程判断反升25分。单日10题抽签下，此类波动需区分题目难度与模型真
Claude Opus 4.7主榜跌14分 代码执行从100降至69
Claude Opus 4.7今日Smoke评测主榜从96.99分跌至82.95分，代码执行维度从100.00分降至69.00分，材料约束升至100.00分。单日2题抽签导致的波动是主因。
Claude Opus 4.7 Smoke评测主榜暴跌19.3分 代码执行单日掉22分
Claude Opus 4.7今日Smoke评测主榜从90.51分跌至71.26分，下滑19.3分。代码执行从91.50分降至69.50分，材料约束从89.30分降至73.40分，工程判断却升至94.50分。单日10题快测下，此类波动需区分
Qwen3 Max主榜暴跌12.9分，代码执行单日跌26.8
在赢政指数2026年6月Smoke评测中，Qwen3 Max主榜从84.92分跌至72.02分，代码执行维度从96.30分暴跌至69.50分，降幅达26.8分，材料约束则小幅上升4.1分。
Qwen3 Max主榜暴跌12.9分 Gemini 2.5 Pro 96.99分领跑Smoke轻量榜
2026-07-04 Smoke轻量评测中，Gemini 2.5 Pro以主榜96.99分（执行100、约束93.3）登顶，Qwen3 Max主榜暴跌12.9分至72.02。GPT-o3与Gemini 2.5 Pro单日分别上涨24分和22