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。
代码执行 相关资讯
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。
GPT-5.5主榜暴跌21.4分 代码执行从97跌至75
GPT-5.5今日Smoke评测主榜从82.29分跌至60.87分，暴跌21.4分。代码执行97.00→75.00，材料约束64.30→43.60，工程判断维持100.00，任务表达91.70→81.70。诚信评级保持pass。
Claude Opus 4.7代码执行从97直降50 主榜暴跌18.7分
Claude Opus 4.7今日Smoke评测主榜从82.29分跌至63.59分，代码执行维度从97.00分暴跌至50.00分，材料约束则从64.30分升至80.20分。单日10题抽样下，代码执行47分跌幅主导整体下滑，需区分题目波动与真
Gemini 2.5 Pro代码执行暴跌25分 主榜下滑7.2分
Gemini 2.5 Pro今日Smoke评测代码执行从100.00分跌至75.00分，主榜从88.75分降至81.53分。材料约束升14.5分至89.50分，工程判断同步跌25分至50.00分。单日10题小样本下，需区分题目抽签波动与模型
Grok 4 材料约束暴跌22.2分 主榜下滑5.2
Grok 4今日Smoke评测材料约束从100.00分跌至77.80分，下降22.2分，主榜从93.79降至88.64。代码执行升至97.50分，任务表达升至95.00分。单日10题测试下，维度得分剧烈波动最可能源于题目抽签。
GPT-o3代码执行暴跌24.7分 主榜跌至78.13 Smoke评测异常需关注
GPT-o3今日Smoke评测代码执行从94.50分跌至69.80分（-24.7），主榜从86.04分降至78.13分（-7.9）。材料约束反升12.6分至88.30，工程判断跌22.2分。单日10题快测下，此波动幅度超出常规，需判断是抽签
GPT-5.5代码执行暴跌22.5分 材料约束却飙升28.6分
GPT-5.5今日Smoke评测中代码执行从94.50跌至72.00，材料约束从71.40升至100.00，主榜仅从84.11升至84.60。单日10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退化。
Claude Sonnet 4.6材料约束暴跌33.6分 主榜下滑4.4
Claude Sonnet 4.6今日Smoke评测中材料约束从100.00跌至66.40，主榜从86.25降至81.86。代码执行反升19.5分至94.50，工程判断下滑17.5分。单日10题抽签下，材料约束大幅波动值得持续观察。
Qwen3 Max代码执行暴跌21.7分 材料约束反涨20.4分
Qwen3 Max今日Smoke评测中代码执行从96.70分跌至75.00分，材料约束从48.80分升至69.20分，主榜从75.15分降至72.39分，诚信评级由pass转为warn。单日维度剧烈波动但整体影响有限。
GPT-5.5代码执行从100暴跌至75 Smoke评测主榜降7.5分
GPT-5.5今日Smoke评测代码执行从100.00跌至75.00，主榜从79.12降至71.67。材料约束反升14分至67.60，工程判断同步跌25分。单日10题抽样导致的波动与模型真实退化需区分判断。
GLM-4.6 探针得分 15.00 诚信 fail，主榜 48.25 分材料约束 46.10
2026-09-03 Run#307 中 GLM-4.6 诚信评级 fail，探针得分仅 15.00，主榜 48.25 分，代码执行 50.00，材料约束 46.10。其余 10 款模型全部 pass，探针得分 80-100。
GPT-5.5代码执行暴跌25分 主榜仅降3分 材料约束反升24分
今日Smoke评测中GPT-5.5代码执行从94.50跌至69.50，材料约束从76.00升至100.00，主榜从86.18降至83.23。单日10题快测下，执行维度暴跌与约束维度暴涨形成对冲，需区分抽签波动与真实退化。
Grok 4代码执行暴跌21.8分 主榜从89.15降至84.99
Grok 4今日Smoke评测代码执行从94.50分跌至72.70分，材料约束升至100.00分，主榜下滑4.2分至84.99分。工程判断与任务表达均有提升，诚信评级维持pass。分析显示小样本题目抽签是主要波动来源。
Gemini 3.1 Pro 主榜暴跌10.8分 材料约束单日下滑14.4
Gemini 3.1 Pro今日Smoke评测主榜从96.60分跌至85.83分，降幅10.8分。其中材料约束从93.30分跌至78.90分，工程判断（侧榜，AI辅助评估）从75.00分跌至50.00分。代码执行降7.8分，任务表达升6.7
Grok 4主榜暴跌8.8分：代码执行从100掉到90.7
Grok 4今日Smoke评测主榜从96.99分跌至88.14分，代码执行下降9.3分至90.70，材料约束下降8.3分至85.00。工程判断小幅回升5.5分，诚信评级维持pass。单日10题测试下，此类波动需区分题目抽签与真实能力变化。
Claude Sonnet 4.6代码执行暴跌22分 主榜仅降0.5
今日Smoke评测中，Claude Sonnet 4.6代码执行从97.00降至75.00（-22），材料约束从67.60升至93.30（+25.7），主榜从83.77微降至83.24。仅2题/维度的快测下，单日大幅波动源于题目抽签差异，而
Claude Opus 4.7代码执行暴跌22分 主榜掉10.3分
Claude Opus 4.7今日Smoke评测主榜从93.54分跌至83.24分，代码执行从97.00分骤降至75.00分，材料约束反而升至93.30分。单日10题测试下，代码执行维度波动最大，需区分抽签因素与真实能力变化。
GPT-o3 Smoke评测主榜暴跌10.1分 材料约束单日崩22.4分
GPT-o3今日Smoke评测主榜从100.00跌至89.92分，材料约束从100.00骤降至77.60分（-22.4），代码执行维持100.00分，工程判断升至95.80分。单日10题快测中材料约束维度2题表现拉低整体，需观察是否为抽签波