Gemini 2.5 Pro材料约束暴跌14分，主榜却逆涨15.9，抽签还是真退化？
Gemini 2.5 Pro今日Smoke评测出现明显分化：材料约束从91.5暴跌至77.5，主榜却从74升至89.88。诚信评级从fail转为warn，工程判断和任务表达大幅拉升。核心问题是每日10题抽签波动，还是模型真实能力退化。
原创
Grok 4 98.34 分登顶，Claude Opus 主榜暴跌 31.3 分
今日 Smoke 轻量评测显示，Grok 4 以 98.34 分领跑，代码执行满分 100。Claude Opus 4.7 主榜暴跌 31.3 分，执行分直接腰斩至 38.1，诚信评级从 pass 转为 warn。Qwen3 Max 紧随其
五分钟回顾LLM六个月进展：创新亮点与现实挑战并存
本文基于已核验的“The last six months in LLMs in five minutes”趋势报告，结合Google多源 grounding 结果，分析过去半年大模型领域的关键创新与不足。对比主流产品，提出针对开发者和企业的
知名AI架构师确认加入Anthropic 谷歌多源核实消息属实
本文基于多源核实，分析知名AI技术架构师加入Anthropic的背景与影响。文章解释AI系统扩展原理，探讨对行业趋势的推动，并引用具体媒体来源，区分事实与观点，体现winzheng.com Research Lab的研究视角。
Gemini Omni 获谷歌多源核验确认 趋势信号折射多模态竞争新变局
Gemini Omni 经谷歌Search grounding 确认存在多源支持，信号类型为trend。本文从赢政指数视角剖析异常信号深层原因，区分事实与观点，强调代码执行与材料约束核心维度，评估其在AI专业门户的技术价值。
WDCD Run #125: Average Instruction Decay Hits 63.6%, Claude Opus 4.7 Leads with Only 30% Drop
WDCD Run #125 (2026-05-20) tested 11 large language models on multi-turn commitment integrity, with average instruction
GPT-5.5暴跌19.2分！6模型WDCD守约测试集体退步
本轮WDCD测试中6个模型全部下滑，无一上升，GPT-5.5跌19.2分最惨，Gemini与Qwen跌幅均超6分。Claude Opus 4.7仍以65分领跑，显示其在约束遵循上具备明显优势，值得持续追踪。
WDCD五大场景横评：业务规则成最难关，Claude与Doubao偏科差距达2分
WDCD试点测试显示，业务规则场景全体得分最低，冠军仅2.5分；安全合规区分度最大，高低差2分。Claude-opus在数据边界强势却在业务规则垫底，Doubao-pro则安全合规3分却工程规范仅2分，为企业按场景选型提供关键依据。
R3崩溃率85%！11模型WDCD三轮测试：承诺到背叛的真实衰减曲线
WDCD三轮测试显示，R1平均确认率98%，R2抵抗率89%，但R3诚信率仅17.7%，85/110次完全崩溃。Claude系列相对抗压，Gemini与Grok崩盘最严重，暴露模型“嘴上答应身体诚实”的普遍规律。
Claude 65分称霸WDCD守约榜，DeepSeek暴跌12.5分垫底
WDCD守约测试显示Claude Opus以65分夺冠，R3阶段崩溃率高达77.3%，DeepSeek V4 Pro较上期暴跌12.5分垫底，头部与尾部差距达17.5分。
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。
AI模型实时使用排行榜上线：Claude 4.7系列主导 GPT-5.5紧随其后
一个专注AI模型实时使用数据的排行榜平台已正式上线，用户可查看Claude Opus 4.7与Sonnet 4.6的主导使用情况，GPT-5.5紧随其后，DeepSeek模型增长强劲。该平台提供社区实际应用数据，助力了解AI代理基础设施的发
Omni AI Companion推出Always Go Deeper功能 付费用户获NSFW视频支持
Omni AI Companion今日发布“Always Go Deeper”功能，提升对话流畅性与个性化深度。免费用户增强图像生成，付费用户开放高质量视频与NSFW模式，同时修复双图bug并新增Tarot功能。文章基于已确认事实分析创新与
马耳他全民免费ChatGPT协议：AI实验场背后的商业扩张与数据考量
马耳他政府与AI公司签署协议，所有居民完成免费课程后获ChatGPT Plus年度免费访问，旨在打造全球AI实验场。此举非简单普及，而是美国AI巨头拓展欧洲市场、测试监管与数据采集的战略布局。winzheng.com强调，需以代码执行与材料
Claude Opus 4.7主榜暴跌22.6分，代码执行从100直接腰斩
Claude Opus 4.7今日Smoke评测主榜暴跌22.6分，代码执行从100分直接跌至50分，材料约束反升11分，需区分随机波动与真实能力退化。
豆包Pro材料约束暴跌15.2分 Smoke测试暴露真实波动
豆包Pro今日Smoke评测材料约束从95分跌至79.8分，暴跌15.2分，主榜下降6.8分至90.91。代码执行保持满分，工程判断与任务表达却有提升。单日10题快测下，这一变化更可能是题目抽签波动还是模型真实退化，值得拆解。
Grok 4 97.44 分登顶，GPT-o3 主榜暴跌 28 分
今日 Smoke 轻量评测显示 Grok 4 以 97.44 分领跑，Gemini 3.1 Pro 紧随其后。GPT-o3 主榜暴跌 28.1 分，代码执行从 100 直接腰斩至 50，Claude 两款模型同步崩盘，暴露执行能力严重退化。
11个AI同解连续登录SQL题：8个满分3个直接崩盘
在同一道“找出用户最长连续登录天数”的SQL题上，11个主流模型中8个拿下100分，3个直接0分。Qwen3 Max、Grok 4和GPT-5.5因语法错误或语句不完整彻底失败，暴露了当前顶级模型在日期分组逻辑上的显著不稳定。