GPT-o3代码执行暴跌32.5分 主榜从96.01跌至80.48
GPT-o3今日Smoke评测主榜从96.01分跌至80.48分，代码执行维度从97.00暴跌至64.50，材料约束反升至100.00。单日10题小样本测试下，执行能力出现显著波动，侧榜工程判断下降11.6分，任务表达上升25分，诚信评级维
Smoke评测 相关资讯
Grok 4 代码执行从96.30分跌至69.50分，主榜单日下滑10分
Grok 4今日Smoke评测主榜从90.86分降至80.89分，代码执行维度暴跌26.8分至69.50分，材料约束反升10.6分至94.80分。工程判断侧榜跌25分，任务表达侧榜升20分。单日10题抽签导致的波动与模型真实能力变化需区分判
Grok 4材料约束暴跌15.8分 主榜从95.44滑至90.86
Grok 4今日Smoke评测材料约束从100.00跌至84.20，主榜下滑4.6分至90.86，代码执行反升至96.30。工程判断（侧榜）同步跌18.8分，诚信评级转为pass。单日10题抽签波动是否掩盖真实退化，值得持续追踪。
Claude Sonnet 4.6材料约束暴跌15.8分 代码执行反升47分
Claude Sonnet 4.6今日Smoke评测主榜升至91.24分，但材料约束从100.00分跌至84.20分，降15.8分，代码执行则从50.00分跃升至97.00分。单日两题抽样导致的波动仍是主因，需持续观察 grounding
Claude Sonnet 4.6 Smoke评测主榜暴跌17分，代码执行从100降至50
Claude Sonnet 4.6今日Smoke评测主榜从89.52分跌至72.50分，代码执行维度从100.00分腰斩至50.00分，材料约束反升至100.00分。工程判断升33.3分，任务表达降30.8分。数据指向单日2题抽签波动而非持
GPT-5.5代码执行从100跌至75 主榜单日下滑10.1分
GPT-5.5今日Smoke评测主榜从86.50分降至76.44分，代码执行从100.00分跌至75.00分，材料约束从70.00分升至78.20分。工程判断升至100.00分，诚信评级维持pass。单日10题快测下，核心维度剧烈波动值得追
Grok 4 代码执行单日跌22.4分 主榜从88.33降至75.38
Grok 4今日Smoke评测主榜从88.33分跌至75.38分，代码执行从96.70分降至74.30分，降幅22.4分，材料约束仅微降1.4分。工程判断侧榜跌36.1分。单日10题抽签导致的波动是主因，需持续观察。
DeepSeek V4 Pro材料约束暴跌15分 主榜却逆势涨20.8
DeepSeek V4 Pro今日Smoke评测中材料约束从91.70降至76.70，主榜却从55.02升至75.77。代码执行从25.00跃升至75.00，工程判断从88.90跌至50.00。单日2题抽样导致的波动仍是主因，需持续观察材料
Qwen3 Max材料约束暴跌16.9分 代码执行却暴涨64.3分
Qwen3 Max今日Smoke评测材料约束从90.90分跌至74.00分，代码执行从25.00分升至89.30分，主榜升至82.42分。核心发现显示两个主榜维度出现反向剧烈波动。
豆包 Pro 材料约束暴跌15.9分 主榜下滑7.2分
豆包 Pro 今日 Smoke 评测中材料约束从80.20分跌至64.30分，下降15.9分，主榜从91.09分降至83.94分。代码执行保持100.00分不变，任务表达下滑8.3分至91.70分。诚信评级维持pass。
Claude Opus 4.7材料约束暴跌15.9分 主榜单日下滑7.2分
今日Smoke评测中，Claude Opus 4.7代码执行维持100.00分不变，材料约束从80.20分跌至64.30分，主榜从91.09分降至83.94分。工程判断侧榜跌25分，任务表达侧榜升16.7分。单日10题测试下，材料约束大幅波
GLM-4.6 Smoke评测5维度数据全缺 API故障致未上榜
GLM-4.6今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据完全缺失，已进入自动补跑，本期不参与排名，所有得分显示为“-”，无昨日对
GPT-o3主榜暴跌15分 代码执行从100跌至75
GPT-o3今日Smoke评测主榜从85.15分跌至70.19分，代码执行单维度暴跌25分至75分，材料约束微降2.7分。工程判断保持满分，任务表达升至100分。单日10题快测下，此类波动需区分抽签与真实退化。
GPT-5.5主榜暴跌21.4分 代码执行从97跌至75
GPT-5.5今日Smoke评测主榜从82.29分跌至60.87分，暴跌21.4分。代码执行97.00→75.00，材料约束64.30→43.60，工程判断维持100.00，任务表达91.70→81.70。诚信评级保持pass。
Claude Opus 4.7代码执行从97直降50 主榜暴跌18.7分
Claude Opus 4.7今日Smoke评测主榜从82.29分跌至63.59分，代码执行维度从97.00分暴跌至50.00分，材料约束则从64.30分升至80.20分。单日10题抽样下，代码执行47分跌幅主导整体下滑，需区分题目波动与真
Gemini 2.5 Pro代码执行暴跌25分 主榜下滑7.2分
Gemini 2.5 Pro今日Smoke评测代码执行从100.00分跌至75.00分，主榜从88.75分降至81.53分。材料约束升14.5分至89.50分，工程判断同步跌25分至50.00分。单日10题小样本下，需区分题目抽签波动与模型
Grok 4 材料约束暴跌22.2分 主榜下滑5.2
Grok 4今日Smoke评测材料约束从100.00分跌至77.80分，下降22.2分，主榜从93.79降至88.64。代码执行升至97.50分，任务表达升至95.00分。单日10题测试下，维度得分剧烈波动最可能源于题目抽签。
GPT-o3代码执行暴跌24.7分 主榜跌至78.13 Smoke评测异常需关注
GPT-o3今日Smoke评测代码执行从94.50分跌至69.80分（-24.7），主榜从86.04分降至78.13分（-7.9）。材料约束反升12.6分至88.30，工程判断跌22.2分。单日10题快测下，此波动幅度超出常规，需判断是抽签
GPT-5.5代码执行暴跌22.5分 材料约束却飙升28.6分
GPT-5.5今日Smoke评测中代码执行从94.50跌至72.00，材料约束从71.40升至100.00，主榜仅从84.11升至84.60。单日10题抽样导致的波动仍是主因，需持续观察下一期数据以确认是否为真实退化。
Claude Sonnet 4.6材料约束暴跌33.6分 主榜下滑4.4
Claude Sonnet 4.6今日Smoke评测中材料约束从100.00跌至66.40，主榜从86.25降至81.86。代码执行反升19.5分至94.50，工程判断下滑17.5分。单日10题抽签下，材料约束大幅波动值得持续观察。