Claude Opus 4.7代码执行暴跌30.5分 主榜仅降6.4分
Claude Opus 4.7在今日Smoke评测中代码执行从100.00分跌至69.50分，材料约束从71.90分升至95.00分，主榜从87.36分降至80.98分。工程判断升25分，任务表达升5分。诚信评级维持pass。
代码执行 相关资讯
Grok 4 材料约束暴跌17.6分 主榜仅降1.8分
今日Smoke评测中Grok 4材料约束从82.60分跌至65.00分，降幅17.6分，主榜从82.99分微降至81.23分。代码执行反升11.2分至94.50分，工程判断升至100分，诚信评级从pass转为warn。单日10题快测下，这一
GLM-4.6 Smoke评测主榜74分 代码执行82.3材料约束95 API故障缺维度
GLM-4.6今日Smoke评测因API故障/超时导致integrity与communication维度缺失，主榜得分74.00，代码执行82.30，材料约束95.00，工程判断70.80，任务表达无数据，已进入自动补跑且不参与本期排名。
GPT-o3今日主榜暴跌13.9分，代码执行与材料约束双双失守
GPT-o3在今日Smoke评测中主榜从93.16分跌至79.28分，暴跌13.9分。代码执行从95.00降至81.80，材料约束从90.90降至76.20，工程判断侧榜更跌30.6分至63.90。任务表达侧榜升至100.00。诚信评级维持
Qwen3 Max材料约束暴跌20分至47.70，代码执行却暴涨37.8分，主榜反升11.8
今日Smoke评测中，Qwen3 Max材料约束从67.70跌至47.70，降幅20分；代码执行从54.70升至92.50，升37.8分。主榜从60.55升至72.34。工程判断降16.6分，任务表达升35分。诚信评级维持pass。单日10
Grok 4 代码执行暴跌19.5分 材料约束反升23.2分 主榜仅降0.3
Grok 4今日Smoke评测代码执行从92.00分跌至72.50分，降19.5分；材料约束从60.90分升至84.10分，增23.2分；主榜从78.01分微降至77.72分。工程判断同步跌19.5分，任务表达升10分。单日10题快测下，需
DeepSeek V4 Pro代码执行暴跌25分 主榜下滑6.7分
今日Smoke评测中，DeepSeek V4 Pro代码执行从100.00跌至75.00，主榜从83.53降至76.85。材料约束升至79.10，工程判断升至100.00，任务表达降至74.20，诚信评级从warn转为pass。单日10题快
Claude Sonnet 4.6代码执行暴跌22分 材料约束反升25.7分
Claude Sonnet 4.6今日Smoke评测中代码执行从97.00分跌至75.00分，材料约束从60.20分升至85.90分，主榜仅从80.44分微降至79.91分。单日10题抽签导致的波动可能是主因，需持续观察。
DeepSeek V4 Pro代码执行暴跌25分，材料约束反升26.8分
DeepSeek V4 Pro今日Smoke评测中代码执行从100.00降至75.00，材料约束从68.20升至95.00，主榜仅微降1.7分至84.00。工程判断同步下滑19.5分。单日10题抽样下，此类波动需区分随机题目难度与模型真实能
DeepSeek V4 Pro材料约束暴跌31.8分 代码执行却从69.5直升100
DeepSeek V4 Pro今日Smoke评测中材料约束从100分跌至68.2分，降31.8分；代码执行从69.5分升至100分，主榜反而升2.46分至85.69。单日2题抽样导致的剧烈波动是主因，诚信评级仍为pass。
GLM-4.6 材料约束 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜
2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针
GLM-4.6 诚信评级从 pass 跌至 fail，代码执行却暴涨 47 分
GLM-4.6 今日 Smoke 评测诚信评级降为 fail，代码执行从 50.00 分升至 97.00 分，主榜升至 74.00 分，工程判断从 60.40 分跌至 0.00 分，需关注单日 10 题波动与真实能力退化区别。
GPT-o3 Smoke 评测主榜暴跌8.3分 代码执行从100跌至88.3
GPT-o3今日Smoke评测主榜从96.27分跌至87.94分，降幅8.3分。代码执行单日下跌11.7分至88.30，工程判断下跌19.8分至75.00，诚信评级从pass转为warn。数据揭示单日波动与一致性风险。
Claude Opus 4.7 Smoke评测主榜暴跌26.1分，代码执行与材料约束双双失守
今日Smoke评测中，Claude Opus 4.7主榜得分从100.00分跌至73.92分，降幅26.1分。代码执行从100.00降至75.00，材料约束从100.00降至72.60，工程判断与任务表达降幅较小，诚信评级维持pass。
Qwen3 Max主榜暴跌14.9分 代码执行从96.9骤降至65.6
Qwen3 Max今日Smoke评测主榜从82.23分跌至67.31分，代码执行维度从96.90分暴跌31.3分至65.60分，工程判断（侧榜）从36.30分降至11.30分，诚信评级从pass转为warn。材料约束小幅回升5.1分。
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。
GPT-o3主榜暴跌13.8分 代码执行从70.3直降48.5
GPT-o3今日Smoke评测主榜从80.61分跌至66.86分，代码执行维度从70.30分降至48.50分，跌幅21.8分，材料约束小降3.9分，工程判断反升22分。
DeepSeek V4 Pro主榜暴跌11.9分 代码执行掉13.3
DeepSeek V4 Pro在今日Smoke评测中主榜从93.84分跌至81.93分，降幅11.9分。代码执行从100.00降至86.70，材料约束从86.30降至76.10，工程判断与任务表达保持不变，诚信评级仍为pass。
豆包 Pro 主榜暴跌15分：代码执行从75直降58.3
豆包 Pro 今日 Smoke 评测主榜从86.25分跌至71.22分，代码执行维度下降16.7分至58.3分，材料约束下降13分至87分，工程判断侧榜暴跌50分。单日10题抽签下，核心维度出现明显波动，需判断是否为随机题目影响还是真实能力
Claude Opus 4.7主榜暴跌19.9分 代码执行单日跌25分
Claude Opus 4.7今日Smoke评测主榜从100.00分跌至80.09分，代码执行从100.00降至75.00，材料约束降至86.30。工程判断侧榜跌44.4分至55.60。单日10题测试下，需区分抽签波动与真实能力变化。