GLM-4.6诚信评级从Pass变Fail 任务表达暴跌25分主榜反升12.8
GLM-4.6今日Smoke评测中诚信评级从pass降至fail，任务表达从45.00分跌至20.00分，主榜却从61.25分升至74.00分。代码执行提升25分，材料约束小涨3.3分，工程判断持平。单日10题抽签下，诚信门槛触发与任务表达
Smoke评测 相关资讯
Qwen3 Max主榜单日暴跌10.2分，材料约束暴跌21.5分成主因
Qwen3 Max今日Smoke评测主榜从96.04分跌至85.82分，降幅10.2分。其中材料约束从91.20分跌至69.70分，降幅21.5分；代码执行仅降1分。任务表达侧榜反升32.2分。数据指向材料约束维度异常波动。
DeepSeek V4 Pro材料约束单日跌19.5分 主榜下滑7.6分
DeepSeek V4 Pro今日Smoke评测材料约束从89.50分跌至70.00分，主榜从94.07降至86.50分，代码执行反升至100.00分。单日2题抽样导致的波动需重点关注。
Claude Sonnet 4.6代码执行暴跌19.5分 主榜却逆势上涨13.8分
今日Smoke评测中，Claude Sonnet 4.6代码执行从94.50分跌至75.00分，材料约束从43.30分升至97.80分，主榜从71.46分升至85.26分。仅2题抽样导致的波动是主因，整体能力未见系统性退化。
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测试材料约束71.90分 代码执行与诚信维度双缺
GLM-4.6今日Smoke评测因API故障导致代码执行与诚信维度缺失，仅材料约束71.90分、工程判断63.90分、任务表达50.00分，主榜不参与排名。单日10题测试波动属正常，但缺失维度指向接口层面问题而非模型能力退化。
GLM-4.6 Smoke评测材料约束51.80分 任务表达50.00分 API故障致两维度缺失
GLM-4.6今日Smoke评测因API故障/超时，execution与judgment维度数据缺失，自动进入补跑，本期不参与排名。材料约束得分51.80分，任务表达50.00分，其余维度为空。单日10题快测波动属正常，但完整性受损需关注。
豆包 Pro Smoke 评测 5 维度全缺 0 分异常，API 超时成主因
豆包 Pro 今日 Smoke 评测因 API 故障导致 execution、grounding、judgment、integrity、communication 五维度数据完全缺失，主榜排名取消。单日 10 题快测中出现此类全维度超时，需
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。
GLM-4.6材料约束暴跌27.3分 主榜却逆势升30.2分
今日Smoke评测中GLM-4.6材料约束从75.00降至47.70分，主榜却从46.29升至76.47分，代码执行从22.80升至100.00分，诚信评级从pass转为warn。单日10题快测下，维度剧烈波动值得关注。
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
Grok 4 Smoke评测主榜暴跌11.3分 材料约束单日降18分
Grok 4今日Smoke评测主榜从89.30分跌至78.01分，降幅11.3分。其中材料约束从78.90分骤降至60.90分，代码执行从97.80分降至92.00分，工程判断则从81.90分升至94.50分。单日波动主要集中在材料约束维度
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。
GPT-o3代码执行飙升52.5分 材料约束却跌15.7分 主榜反升21.8
GPT-o3今日Smoke评测中代码执行从44.50升至97.00，材料约束从100.00降至84.30，主榜从69.48升至91.29。材料约束单日下跌15.7分，需判断是抽签波动还是真实退化。
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。