DeepSeek V4 Pro代码执行暴跌41.7分 主榜单日跌19.2
DeepSeek V4 Pro今日Smoke评测主榜从70.44分跌至51.24分，代码执行从66.70分直接跌至25.00分，材料约束反而升至83.30分。单日41.7分降幅远超正常抽签波动范围，需持续观察。
工程判断 相关资讯
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
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
Gemini 3.1 Pro材料约束暴跌17.8分 主榜下滑6分
Gemini 3.1 Pro今日Smoke评测材料约束从90.40分跌至72.60分，降幅17.8分，主榜从81.93分降至75.90分。代码执行小升3.6分，工程判断升至100分，任务表达跌25分。单日10题测试中，此幅度变化需重点观察。
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。
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。
Claude Sonnet 4.6 Smoke主榜暴跌15.3分，代码执行单日掉25分
今日Smoke评测中，Claude Sonnet 4.6主榜从97.84分跌至82.52分，降幅15.3分。其中代码执行从100.00直接跌到75.00，材料约束小降3.5分，而工程判断和任务表达反而分别升10.4分和16.7分。
Claude Opus 4.7 Smoke评测主榜暴跌27.5分，代码执行从100直降50
Claude Opus 4.7今日Smoke评测主榜从100.00跌至72.50分，代码执行维度从100.00暴跌至50.00分，材料约束保持100.00不变，工程判断从83.40升至100.00，诚信评级维持pass。
GPT-o3材料约束单日暴跌15.2分 Smoke主榜从100跌至93.16
GPT-o3今日Smoke评测材料约束从100.00分跌至84.80分，主榜从100.00降至93.16分。代码执行、工程判断、任务表达三项保持满分，诚信评级维持pass。单日10题快测下，此类波动是否反映真实退化值得追踪。
Grok 4代码执行暴跌19.1分，主榜下滑7.7，抽签还是退化
今日Smoke评测中Grok 4代码执行从100.00跌至80.90，主榜从89.56降至81.85。工程判断更从88.00腰斩至55.00，材料约束反而升6.2分。需判断是题目抽签波动还是真实能力退化。
11模型同答甩锅题：8个A>B>D>C，3个直接0分
11个模型面对同一道“项目延期甩锅”题，8个给出A>B>D>C并得60分，3个因A>B>C>D得0分。核心差异出现在D与C的顺序判断上，直接反映模型对责任归属的材料约束能力。
GPT-o3蓄水池采样题100分骤降至0，代码执行真相藏细节
v6评测中GPT-o3主榜上涨7分至82.82，但蓄水池采样严格题从100分直接归零。工程判断却暴涨50.3分，材料约束提升14分，稳定性从33.8升至58.0。原始回答仅写到“if j < k:”便截断，暴露算法实现一致性缺陷。
Claude Sonnet 4.6 SQL严格题从100分跌至0，主榜却反升9.3
Claude Sonnet 4.6在“SQL：疑似重复支付识别”一题从100分直接归零，但主榜从77.98升至87.24。原始回答缺少id过滤与时间窗口，导致自连接爆炸式匹配，暴露严格题下的逻辑断层。
11 模型新老更迭：Grok 4 登顶，DeepSeek 系列集体退场
本周 7 款新模型首次上榜即拿下 72.4-80.9 分，Grok 4 以 89.90 分登顶，DeepSeek V3、R1、文心 4.0 等 6 款旧模型同时退出，旧榜单结构被彻底打破。
DeepSeek V4 Pro Smoke测试主榜暴涨48.7，工程判断却暴跌28.4
DeepSeek V4 Pro今日Smoke评测主榜从39.26跃升至87.99，代码执行从20分直接拉满至100分，但工程判断从38.4暴跌至10分，诚信评级从fail转为warn。单日10题快测波动是否反映真实能力变化，值得关注。
文心一言4.5工程判断从50暴跌至10，主榜却逆涨14.5
文心一言4.5今日Smoke评测工程判断从50降至10、任务表达降20分，但材料约束暴涨24.7拉动主榜升至88.48，诚信从fail升至warn，单日抽签波动可能是主因。
Gemini 2.5 Pro主榜暴跌22.6分，工程判断直接腰斩
Gemini 2.5 Pro今日Smoke评测主榜从96.63骤降至74，工程判断从66.7跌至30，任务表达从50跌至10，诚信评级直接转为fail。单日10题快测的抽签波动是否掩盖了模型真实能力退化，值得重点关注。
11个AI同答甩锅题，仅8款给出正确排序：工程判断力差异拉满
同一道“项目延期甩锅”题，11款主流模型中8款输出A>B>D>C并获60分，Qwen3 Max、文心一言4.5和Grok 4却把客户改需求排在时间借口之前，仅得0分。核心发现显示，工程判断与诚信排序能力在当前模型间已出现明显断层。
11 个 AI 解同一道逻辑题，5 家正确 6 家集体出错
11 款主流 AI 模型在同一道五人排名逻辑题上出现明显分化：豆包 Pro、Qwen3 Max、Gemini 2.5 Pro、GPT-5.5、GPT-o3 五家给出正确答案 A,D,C,B,E，而 Claude、DeepSeek、文心一言等
Gemini 2.5 Pro Smoke评测主榜飙升13.5分，诚信翻盘却工程判断崩跌28分
Gemini 2.5 Pro在今日Smoke评测中主榜得分从74.00升至87.54，诚信评级从fail转为pass，但工程判断（侧榜）暴跌28.4分至30.00。分析显示，这或是抽签波动而非真实退化，但需警惕潜在不稳定性。核心维度材料约束