Claude Sonnet 4.6 主榜暴跌11.1分，代码执行与材料约束双双失守
Claude Sonnet 4.6今日Smoke评测主榜从84.90分跌至73.76分，下降11.1分。代码执行降10.1分至78.80，材料约束降12.4分至67.60，工程判断与任务表达上升，诚信评级从pass转为warn。单日10题抽
代码执行 相关资讯
GPT-6 Luna主榜暴跌11.5分，代码执行从100跌至74.3
GPT-6 Luna今日Smoke评测主榜从87.27分跌至75.79分，代码执行维度从100.00分暴跌至74.30分，材料约束升至77.60分，诚信评级从pass变为warn。单日10题抽签波动或模型一致性问题需重点验证。
GPT-o3材料约束暴跌25分 代码执行反涨20.1分 主榜仅降0.2
今日Smoke评测中GPT-o3材料约束从88.30分跌至63.30分，降幅25分；代码执行从69.00分升至89.10分，升20.1分；主榜从77.69分微降至77.49分。工程判断与任务表达侧榜波动更大。
Grok 4代码执行暴跌15.8分 主榜仅降1.1分
Grok 4在今日Smoke评测中代码执行从94.00分跌至78.20分，降15.8分；材料约束从71.40分升至88.30分，涨16.9分；主榜从83.83分微降至82.75分。工程判断与任务表达侧榜同步大跌，诚信评级维持pass。
GPT-6 Sol主榜暴跌16.4分 代码执行从100直降66.8
GPT-6 Sol今日Smoke评测主榜从90.51分跌至74.14分，降幅16.4分。代码执行维度从100.00分暴跌至66.80分，材料约束小升4.2分至83.10分。工程判断从100.00分降至75.00分。单日10题快测下，此幅度波
Claude Opus 4.7代码执行暴跌17.4分 任务表达下滑31.2
Claude Opus 4.7今日Smoke评测代码执行从75.00降至57.60，任务表达从57.50降至26.30，主榜从73.61降至69.53；材料约束从71.90升至84.10，诚信评级维持pass。
Claude Sonnet 4.6主榜暴跌12.9分 代码执行从100直降76.1
Claude Sonnet 4.6今日Smoke评测主榜从87.36分跌至74.44分，单日下降12.9分。代码执行维度从100.00分暴跌至76.10分，材料约束微升0.5分至72.40分。工程判断侧榜同步下滑14.6分。
GPT-6 Luna Smoke评测主榜暴跌19.8分 代码执行从100直降75
GPT-6 Luna今日Smoke评测主榜从86.95分跌至67.17分，暴跌19.8分。其中代码执行从100.00分降至75.00分，材料约束从71.00分降至57.60分。工程判断保持100.00分不变，诚信评级维持pass。
Grok 4材料约束暴跌17.4分 代码执行反升7.9分 Smoke评测主榜降3.5
今日Smoke评测中Grok 4材料约束从75.00分跌至57.60分，降17.4分，代码执行升7.9分至82.30分，主榜从74.67分降至71.19分。单日10题测试波动正常，但材料约束大幅下滑值得单独分析。
GPT-5.5代码执行从100分暴跌至75分 主榜下滑5.3分
GPT-5.5今日Smoke评测代码执行从100.00分跌至75.00分，主榜从78.49分降至73.20分；材料约束升18.8分、工程判断升25分，显示单日10题抽签波动是主因，需持续观察一致性。
Grok 4代码执行暴跌20.2分 主榜却逆势上涨2.4分
Grok 4今日Smoke评测代码执行从94.60分跌至74.40分，降幅20.2分；材料约束从45.00分升至75.00分，主榜从72.28分升至74.67分。单日10题抽签导致的波动可能是主因，需持续观察多日数据以判断真实稳定性。
GLM-4.6 诚信评级 fail 主榜 18.25 分 材料约束仅 10.00
GLM-4.6 在 2026-10-23 Smoke 快测中诚信评级 fail，探针得分 0.00，主榜 18.25 分，代码执行 25.00 分，材料约束 10.00 分。同日其余 13 个模型全部 pass，探针得分 65-100 分。
GPT-6 Astra代码执行暴跌25分 主榜单日跌11.3分
GPT-6 Astra今日Smoke评测主榜从82.33分跌至71.01分，代码执行从97.00分骤降至72.00分，材料约束小升5.4分。单日10题抽签波动或模型特定能力退化值得追踪。
GLM-4.6材料约束暴跌30.2分，代码执行反升22分
GLM-4.6今日Smoke评测中材料约束从80.20分跌至50.00分，降幅30.2分，代码执行却从25.00分升至47.00分，主榜仅微降1.5分至48.35分。工程判断直接归零，任务表达持平25.00分。
DeepSeek V4 Pro主榜跌18.6分 材料约束单日降27.6成最大拖累
DeepSeek V4 Pro今日Smoke评测主榜从68.16分跌至49.52分，降幅18.6分，其中材料约束从80.20分降至52.60分，降幅达27.6分，代码执行同步下滑11.3分。
DeepSeek V4 Pro材料约束暴跌18.1分 代码执行却满分100
DeepSeek V4 Pro今日Smoke评测中材料约束从88.10分跌至70.00分，降18.1分，而代码执行升至100.00分，主榜反升7.3分至86.50分。单日2题抽签导致的波动最可能解释这一反差。
Claude Opus 4.7主榜暴跌20.1分 代码执行单日跌28.1分
Claude Opus 4.7今日Smoke评测主榜从93.54分跌至73.45分，代码执行从97.00分降至68.90分，材料约束从89.30分降至79.00分。工程判断与任务表达反而上升。单日10题抽签导致的波动与真实能力退化需区分判断
豆包Pro材料约束暴跌15.3分 主榜下滑4.3分
豆包Pro今日Smoke评测中材料约束从87.90分跌至72.60分，降幅15.3分，主榜从89.44分降至85.09分；代码执行反升4.6分至95.30分，工程判断维持100分。
GPT-o3代码执行暴跌22.5分 主榜下滑7.8分
GPT-o3今日Smoke评测代码执行从94.50分跌至72.00分，主榜从92.39分降至84.60分；材料约束升至100.00分，任务表达升21.7分。单日10题测试中，代码执行维度2题得分大幅下滑，需判断是题目抽签波动还是模型真实变化
DeepSeek V4 Pro代码执行72分暴跌22.5 主榜跌至84.6分
DeepSeek V4 Pro今日Smoke评测中代码执行从94.50分跌至72.00分，主榜从92.39分降至84.60分，材料约束却升至100.00分。单日10题快测下，此波动需判断是抽签还是真实退化。