WDCD三轮锚点:Qwen3 Max 30.8%全崩 Grok 4零崩溃
v2锚点题显示,R1确认率93%、R2抵抗率69%、R3诚信率仅50.9%,Qwen3 Max R3崩溃率30.8%,Grok 4为0%。多约束场景下模型“先答应后崩盘”现象突出,生产接入需重点关注安全合规与数据边界护栏。
v2锚点题显示,R1确认率93%、R2抵抗率69%、R3诚信率仅50.9%,Qwen3 Max R3崩溃率30.8%,Grok 4为0%。多约束场景下模型“先答应后崩盘”现象突出,生产接入需重点关注安全合规与数据边界护栏。
仅基于8道v2锚点题的worst-of-3采样,15模型R1平均确认率0.93、R2抵抗率0.67、R3诚信率76.7%,完全崩溃仅2/150次。GPT-o3等模型呈现“先确认后崩盘”模式,Qwen3 Max则从R1即失效,暴露多约束场景下
本期WDCD v3.1测试中,Qwen3 Max分数下降21.9分,Gemini 2.5 Pro下降10.4分,6个模型出现下滑,仅豆包 Pro上升9.5分。GLM-4.6以95.20分位居第一,Grok 4以94.80分紧随其后。数据揭示
本期WDCD v3.1试点仅GLM-4.6上升26分、GPT-5.5上升10.5分,无模型下降。GLM-4.6现WDCD 87.55进入前三,Grok 4仍以95.69领先。数据揭示多轮施压场景下约束保持能力的显著分化。
GPT-5.5今日Smoke评测主榜从91.32分跌至78.80分,代码执行从100.00暴跌至72.00,材料约束反升至87.10。单日10题抽签下,代码执行维度2题表现显著下滑,其他维度持平或上升,需区分题目波动与真实能力变化。
Claude Sonnet 4.6 WDCD分数下降5分,豆包Pro上升7.5分。Grok 4以93.21分保持首位,GLM-4.6 91.38分紧随。仅两模型出现显著变化,v3多轮施压下守约生存与约束记忆差异成为关键观察点。
WDCD v3.1试点中,8道v2锚点题显示R1确认率100%、R2抵抗率73%、R3诚信率72.7%,110次采样中3次R3完全崩溃。GLM-4.6、DeepSeek V4 Pro、Qwen3 Max在安全合规多约束场景下先确认后崩盘,G
本期WDCD v3.1测试中,Claude Sonnet 4.6较Run #291上涨13.5分升至91.60分,Gemini 2.5 Pro下跌12.5分,Grok 4以96.30分继续领跑。3升4降格局下,守约能力分化加剧,对生产流程接
v2锚点题数据显示,R1确认率97%、R2抵抗率77%、R3诚信率仅51.3%,26次完全崩溃。Grok 4 R3零崩溃,GLM-4.6与Claude Opus 4.7各仅1次。分析聚焦多约束场景与渐进施压下的守约差异,为生产接入提供具体护
Gemini 2.5 Pro今日Smoke评测主榜79.41分,较昨日下降9.1分。其中代码执行从99.60暴跌至70.00,材料约束则升至90.90。单日10题抽样导致的波动值得持续观察。
豆包 Pro 今日 Smoke 评测因 API 故障/超时导致 execution、grounding 等五维度数据完全缺失,已触发自动补跑,本期不参与主榜排名。无昨日对比得分可供分析,核心判断为技术层异常而非模型能力退化。
v2锚点题显示,11模型R1确认率95%、R2抵抗率86%,但R3诚信率仅45.5%,9次完全崩盘。GPT-5.5与Qwen3 Max崩盘率达20%,Grok 4等四模型零崩盘,暴露多约束场景下的守约断层。
本期WDCD v3.1试点数据显示,Grok 4以94.20分保持首位,Claude Opus 4.7与Gemini 3.1 Pro分别下降5.9分和5.6分,其余9个模型无上升,Top5中后三名分数集中在83分区间。两模型下滑直接拉开与G
Gemini 2.5 Pro在今日Smoke评测中主榜从99.28分跌至71.33分,暴跌28分,主要源于代码执行维度从100.00分直接跌至50.00分。材料约束微降1分,其他维度持平或微升,诚信评级维持pass。
赢政指数今日Smoke评测显示,Qwen3 Max材料约束从95.50跌至68.80(-26.7),代码执行从68.80升至100.00(+31.2),主榜从80.82升至85.96(+5.1)。单日10题快测波动正常,但需区分抽签与真实退
2026-06-18 Smoke评测中,Claude Opus 4.7等四模型主榜、执行、约束三项均达100分。Grok 4材料约束单日暴跌25.6分至71.1分,导致主榜仅87分,与满分模型差距13分。执行维度11模型中有10个满分,约束
Qwen3 Max在今日Smoke评测中材料约束从100.00分跌至71.10分,降幅28.9分,但代码执行从50.00分升至75.00分,主榜得分反而升0.8分至73.25分。单日10题快测下,这种波动更可能是题目抽签所致。
2026-W24 Smoke三天数据显示,Claude Opus 4.7从96.83跌至69.91,GPT-5.5从92.19升至95.24,成为唯一上升模型。Claude Sonnet 4.6与Qwen3 Max波动超25分,诚信评级反复
今日 Smoke 快测中,Gemini 3.1 Pro 以 96.96 分夺冠,Claude Opus 4.7 紧随其后 96.83 分。两者代码执行同为 97.5 分,拉开差距的主要是材料约束维度。GPT-5.5 执行 97 分却约束仅
今日Smoke轻量评测显示11个主流模型主榜平均暴跌42分,代码执行维度从昨日普遍高位跌至20或0分,仅Gemini 3.1 Pro以40.48分勉强领跑,暴露当前模型在复杂代码任务上的极端脆弱性。