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。
模型一致性 相关资讯
豆包Pro Smoke评测主榜暴跌18.6分 代码执行单日跌38.8
豆包Pro今日Smoke评测主榜从85.91分跌至67.32分，代码执行从83.30分暴跌至44.50分，材料约束反而升至95.20分。单日10题快测中代码执行维度出现大幅波动。
Grok 4 Smoke评测主榜暴跌15.3分 代码执行单日跌31.4
赢政指数今日Smoke评测显示，Grok 4主榜从97.98分跌至82.73分，降幅15.3分，其中代码执行从100.00分骤降至68.60分。材料约束和任务表达反而上升，诚信评级维持pass。单日10题快测下，此类波动是否反映真实能力变化
Claude Opus 4.7 Smoke测试主榜暴跌16分，代码执行单日掉27.2
在赢政指数今日Smoke评测中，Claude Opus 4.7主榜从100.00分跌至84.01分，代码执行维度从100.00分暴跌至72.80分，降幅达27.2分。材料约束仅降2.3分，工程判断反而上升9.1分，诚信评级维持pass。
Claude Opus 4.7代码执行从100暴跌至50 主榜单日掉25.7分
赢政指数今日Smoke评测中，Claude Opus 4.7代码执行从100.00分跌至50.00分，主榜从97.12分降至71.47分，单日暴跌25.7分。材料约束小幅回升，工程判断和任务表达保持高位，诚信评级仍为pass。
GPT-5.5 Smoke评测主榜暴跌20.5分，代码执行从100直降50
GPT-5.5今日Smoke评测主榜从93.03分跌至72.50分，暴跌20.5分。代码执行从100.00分腰斩至50.00分，材料约束则从84.50分升至100.00分。单日10题抽签导致的波动可能是主因，仍需持续观察。
Gemini 2.5 Pro代码执行暴跌45分 Smoke主榜一日跌19.3
Gemini 2.5 Pro在今日Smoke评测中主榜从89.79分跌至70.53分，代码执行从100.00分直接降至55.00分，材料约束则从77.30分升至89.50分。单日10题快测下，这一45分跌幅超出常规抽签波动范围，值得持续观察
11 个模型同一道闭包题全给 [2,2,2]，赢政指数却集体 0 分
11 个主流模型在同一道 Python 闭包题目上，10 个直接输出 [2, 2, 2]，仅文心一言格式异常。赢政指数 v6 代码执行维度却全部记 0 分，暴露了“格式严格性”对最终得分的决定性影响，也显示当前模型在循环变量捕获问题上已形成
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。
DeepSeek V4 Pro 诚信评级 Fail 转 Pass，主榜单日暴涨 23 分
DeepSeek V4 Pro 在今日 Smoke 评测中诚信评级从 Fail 直接转为 Pass，主榜从 74.00 跃升至 97.08，材料约束单项上涨 23.5 分。单日 10 题快测下，这种幅度变化究竟是抽签运气还是真实能力回暖，需
豆包Pro稳定性暴跌19.8分：同题异答成最大软肋
豆包Pro本周评测显示稳定性维度大幅下跌19.8分至34.7分，成为各维度中唯一负增长指标。分析发现模型在相同问题上给出差异化回答，反映出内部决策机制可能存在随机性过高的问题。
豆包Pro稳定性暴跌19.8分，同题不同答成最大软肋
赢政指数最新评测显示，豆包Pro稳定性从54.5分骤降至34.7分，跌幅达19.8分。这意味着模型在回答同类题目时表现出严重的不一致性，同样的问题可能得到截然不同的答案，这对需要稳定输出的生产环境构成重大隐患。