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。
材料约束 相关资讯
Gemini 3.1 Pro 材料约束跌26.6分 主榜仍升5.4分
Gemini 3.1 Pro今日Smoke评测材料约束从90.90分跌至64.30分，降26.6分；代码执行从18.40分升至50.00分，主榜从51.03分升至56.44分。单日10题抽样下，材料约束与任务表达同步回落，需观察后续一致性。
Grok 4 Smoke评测主榜暴跌17.5分 材料约束单日跌21.9
Grok 4今日Smoke评测主榜从94.15分跌至76.65分，降幅17.5分。其中材料约束从87.00分跌至65.10分，代码执行从100.00分跌至86.10分。单日10题抽签导致的波动与模型真实能力退化需进一步验证。
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）
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。
GLM-4.6材料约束暴跌25分 代码执行反升50分 Smoke测试主榜逆涨
GLM-4.6今日Smoke评测材料约束从50.00分跌至25.00分，降幅25分；代码执行从25.00分升至75.00分，主榜从36.25分升至52.50分。工程判断同步下滑19.5分。单日10题抽样下，需区分题目波动与真实能力变化。
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
GPT-o3 材料约束暴跌16.8分，任务表达同步掉28.3分
今日Smoke评测中GPT-o3材料约束从83.60分跌至66.80分，任务表达从95.00分跌至66.70分，主榜整体下滑3.1分至80.39分。代码执行反升8.2分，工程判断持平75.00分，诚信评级维持pass。
Qwen3 Max材料约束暴跌15.1分 代码执行反升18.4分
Qwen3 Max今日Smoke评测中材料约束从83.60分跌至68.50分，降幅15.1分，代码执行则从73.10分升至91.50分，主榜小幅升至81.15分。单日2题抽样导致的波动仍是主因，需持续观察下一期数据以确认是否为真实能力退化。
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
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
Gemini 3.1 Pro 82.97 分登顶，执行 75 分拉开与第二名差距
2026-07-02 Smoke 评测显示，Gemini 3.1 Pro 以主榜 82.97 分（执行 75、约束 92.7）位居第一，豆包 Pro 81.98 分紧随其后。Claude Opus 4.7 约束 97 分最高，但执行仅 58
豆包Pro 98.61分登顶 Smoke评测，Claude执行-50分暴跌
2026-06-28 Smoke评测中，豆包Pro以执行100分、约束96.9分拿下主榜98.61分首位。Claude Opus 4.7与Sonnet 4.6执行从昨日100分骤降至50分，主榜分别下跌25.7分和25.9分。Gemini
Claude Opus 4.7 97.12 分领跑，执行满分但材料约束 93.6 分拉低整体
2026-06-27 Smoke 评测显示，Claude Opus 4.7 以 97.12 分位居第一，代码执行 100 分、材料约束 93.6 分。Claude Sonnet 4.6 紧随其后，主榜 96.45 分。三个模型并列第三，主榜
Qwen3 Max代码执行暴跌50分，主榜仅降1.5分
Qwen3 Max在今日Smoke评测中代码执行从100.00分跌至50.00分，主榜从74.00分微降至72.50分。材料约束升至100.00分，诚信评级从fail转为pass，单日波动幅度达50分。
4模型执行分暴跌至50，文心一言主榜狂掉34.1分
2026-06-24 Smoke评测中，文心一言4.5主榜暴跌34.1分至64.63，Claude Opus 4.7和Claude Sonnet 4.6分别下跌27.5分与24.4分，核心原因是代码执行从100直接跌至50。今日前三名Dee
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。
Qwen3 Max主榜暴跌12分至74，诚信fail拉低整体
2026-06-23 Smoke评测显示，Qwen3 Max主榜74分暴跌12分，诚信从pass转为fail。Claude Opus 4.7、Gemini 3.1 Pro、Grok 4三模型以执行100、约束100拿下满分主榜。文心一言4.
Qwen3 Max材料约束暴跌26.7分，代码执行却升至100分
赢政指数今日Smoke评测显示，Qwen3 Max材料约束从95.50跌至68.80（-26.7），代码执行从68.80升至100.00（+31.2），主榜从80.82升至85.96（+5.1）。单日10题快测波动正常，但需区分抽签与真实退
文心一言主榜暴跌40.3分，Smoke评测揭露执行约束双崩
2026-06-22 Smoke评测显示GPT-5.5与GPT-o3主榜100分并列第一，文心一言4.5主榜仅47.98分暴跌40.3分，Gemini 2.5 Pro主榜71.33分大降28分，Qwen3 Max材料约束跌26.7分，执行与