GPT-6 Luna主榜暴跌8.4分 代码执行单日跌16.7分
今日Smoke评测中GPT-6 Luna主榜从83.19分跌至74.82分，下降8.4分。其中代码执行从75.00分跌至58.30分，任务表达从90.00分跌至77.50分，材料约束小升1.8分。工程判断维持100分，诚信评级保持pass。
主榜波动 相关资讯
Claude Sonnet 4.6材料约束暴跌30.6分，代码执行反升25分
Claude Sonnet 4.6今日Smoke评测中，材料约束从93.30分跌至62.70分，降幅30.6分；代码执行则从50.00分升至75.00分。主榜得分69.49分与69.47分基本持平。工程判断升至100.00分，任务表达升至9
Grok 4代码执行暴跌31.3分 材料约束反升34.7分
Grok 4今日Smoke评测代码执行从95.30分跌至64.00分，降31.3分；材料约束从48.40分升至83.10分，涨34.7分。主榜仅降1.6分至72.60分。单日10题抽签导致的波动是主因，需持续观察。
GPT-5.5代码执行暴跌22分 材料约束却飙升25.9分
GPT-5.5今日Smoke评测中代码执行从72.00降至50.00，材料约束从69.10升至95.00，主榜仅微降0.5分至70.25。工程判断维持100.00，任务表达降8.3分，诚信评级保持pass。单日维度剧烈波动但整体排名影响极小
Qwen3 Max代码执行暴跌24分 主榜下滑7.4分
今日Smoke评测中Qwen3 Max代码执行从94.00分跌至70.00分，主榜从84.51分降至77.16分，材料约束则从72.90分升至85.90分。工程判断与任务表达两项侧榜得分上升，诚信评级维持pass。
GPT-o3代码执行暴跌21.8分 材料约束反升33.5分 主榜微涨
今日Smoke评测中，GPT-o3代码执行从93.80分跌至72.00分（-21.8），材料约束从49.30分升至82.80分（+33.5），主榜从73.78分升至76.86分，诚信评级由warn转为pass。单日10题抽签导致的波动是主因
GPT-o3代码执行暴跌24.5分 主榜掉15.2，抽签还是真实退化
GPT-o3今日Smoke评测主榜从96.01跌至80.78分，代码执行单项暴跌24.5分至72.50，材料约束微降3.9分。工程判断保持100分，任务表达反升15分。分析显示此次大跌最可能源于2题抽签波动，而非模型整体退化。
Claude Opus 4.7 Smoke评测主榜跌13.9分 代码执行单日暴跌22分
Claude Opus 4.7今日Smoke评测主榜从96.01分跌至82.16分，代码执行从97.00分跌至75.00分，降幅22分；材料约束小降3.9分，任务表达从50.00分升至80.00分，工程判断维持100.00分。
GPT-5.5 Smoke评测主榜暴跌12.5分 代码执行单日跌28分
GPT-5.5今日Smoke评测主榜从91.32分跌至78.80分，代码执行从100.00暴跌至72.00，材料约束反升至87.10。单日10题抽签下，代码执行维度2题表现显著下滑，其他维度持平或上升，需区分题目波动与真实能力变化。
豆包 Pro 主榜暴跌 9.8 分，材料约束单日掉 13.7
豆包 Pro 在今日 Smoke 评测中主榜从 92.85 分跌至 83.00 分，代码执行降 6.7 分至 92.00，材料约束降 13.7 分至 72.00，工程判断从 100.00 跌至 75.00，任务表达升 8.3 分至 100.
GPT-o3代码执行暴跌32.5分 主榜从96.01跌至80.48
GPT-o3今日Smoke评测主榜从96.01分跌至80.48分，代码执行维度从97.00暴跌至64.50，材料约束反升至100.00。单日10题小样本测试下，执行能力出现显著波动，侧榜工程判断下降11.6分，任务表达上升25分，诚信评级维
Grok 4 代码执行从96.30分跌至69.50分，主榜单日下滑10分
Grok 4今日Smoke评测主榜从90.86分降至80.89分，代码执行维度暴跌26.8分至69.50分，材料约束反升10.6分至94.80分。工程判断侧榜跌25分，任务表达侧榜升20分。单日10题抽签导致的波动与模型真实能力变化需区分判
Grok 4材料约束暴跌15.8分 主榜从95.44滑至90.86
Grok 4今日Smoke评测材料约束从100.00跌至84.20，主榜下滑4.6分至90.86，代码执行反升至96.30。工程判断（侧榜）同步跌18.8分，诚信评级转为pass。单日10题抽签波动是否掩盖真实退化，值得持续追踪。
Claude Sonnet 4.6材料约束暴跌15.8分 代码执行反升47分
Claude Sonnet 4.6今日Smoke评测主榜升至91.24分，但材料约束从100.00分跌至84.20分，降15.8分，代码执行则从50.00分跃升至97.00分。单日两题抽样导致的波动仍是主因，需持续观察 grounding
Claude Sonnet 4.6 Smoke评测主榜暴跌17分，代码执行从100降至50
Claude Sonnet 4.6今日Smoke评测主榜从89.52分跌至72.50分，代码执行维度从100.00分腰斩至50.00分，材料约束反升至100.00分。工程判断升33.3分，任务表达降30.8分。数据指向单日2题抽签波动而非持
GPT-5.5代码执行从100跌至75 主榜单日下滑10.1分
GPT-5.5今日Smoke评测主榜从86.50分降至76.44分，代码执行从100.00分跌至75.00分，材料约束从70.00分升至78.20分。工程判断升至100.00分，诚信评级维持pass。单日10题快测下，核心维度剧烈波动值得追
Grok 4 代码执行单日跌22.4分 主榜从88.33降至75.38
Grok 4今日Smoke评测主榜从88.33分跌至75.38分，代码执行从96.70分降至74.30分，降幅22.4分，材料约束仅微降1.4分。工程判断侧榜跌36.1分。单日10题抽签导致的波动是主因，需持续观察。
Qwen3 Max材料约束暴跌16.9分 代码执行却暴涨64.3分
Qwen3 Max今日Smoke评测材料约束从90.90分跌至74.00分，代码执行从25.00分升至89.30分，主榜升至82.42分。核心发现显示两个主榜维度出现反向剧烈波动。
Claude Opus 4.7材料约束暴跌15.9分 主榜单日下滑7.2分
今日Smoke评测中，Claude Opus 4.7代码执行维持100.00分不变，材料约束从80.20分跌至64.30分，主榜从91.09分降至83.94分。工程判断侧榜跌25分，任务表达侧榜升16.7分。单日10题测试下，材料约束大幅波
GPT-o3主榜暴跌15分 代码执行从100跌至75
GPT-o3今日Smoke评测主榜从85.15分跌至70.19分，代码执行单维度暴跌25分至75分，材料约束微降2.7分。工程判断保持满分，任务表达升至100分。单日10题快测下，此类波动需区分抽签与真实退化。