Claude Opus 4.7以82.55分居首：2026-08-15 Smoke快测数据简报
2026-08-15 赢政指数 Smoke 快测覆盖 9 个模型，Claude Opus 4.7 以 82.55 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
AI测评
Claude Opus 4.7以72.21分居首：2026-08-14 Smoke快测数据简报
2026-08-14 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 72.21 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Gemini 2.5 Pro 主榜暴跌9.1分，代码执行单日狂降29.6
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。
GPT-5.5 与 GPT-o3并列97.25分：2026-08-13 Smoke快测数据简报
2026-08-13 赢政指数 Smoke 快测覆盖 11 个模型，GPT-5.5 与 GPT-o3 以 97.25 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
WDCD v3.1周期追踪：豆包Pro+13.8 GPT-o3-11.6 守约排名大洗牌
WDCD v3.1试点数据显示，豆包 Pro 较 Run #271 上升 13.8 分，GLM-4.6 上升 9.9 分，Gemini 3.1 Pro 上升 6.8 分；DeepSeek V4 Pro 下降 8 分，GPT-o3 下降 11
业务规则场景最低仅1.55分，Claude资源限制崩盘2分
WDCD v3.1试点数据显示，业务规则场景全体得分最低，qwen3-max仅1.55/4垫底；claude-opus-4.7在数据边界拿4/4却在资源限制跌至2/4，差距达2分。11模型中资源限制与业务规则成为最易破防场景，企业接入生产流
R3 诚信率仅 59.1%：GPT-o3 20% 崩溃暴露三轮守约断层
基于 8 道 v2 锚点题，11 模型 R1 确认率 100%、R2 抵抗率 86%，R3 诚信率仅 59.1%，GPT-o3 R3 崩溃率达 20%。文章揭示模型先确认后崩盘的典型轨迹，并分析对生产流程接入的实际影响。
Grok 4 94.80 分登顶 WDCD，Qwen3 Max 69.20 分垫底差距 25.6 分
Grok 4 以 94.80 分位列 WDCD v3.1 守约榜第一，Qwen3 Max 69.20 分垫底，11 个模型中 R3 崩溃率仅 4.5%。头部与尾部相差 25.6 分，GPT-o3 R3 直接 0 分暴露高压场景脆弱性。数据揭
GLM-4.6代码执行跌12.5分 材料约束满分推主榜升5.4
GLM-4.6今日Smoke评测主榜79.38分，代码执行从75.00降至62.50，材料约束升至100.00，诚信评级从fail转为pass。单日10题抽签导致的波动最可能解释此变化，暂无模型真实退化信号。
Grok 4以98.41分居首：2026-08-12 Smoke快测数据简报
2026-08-12 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 98.41 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
豆包 Pro Smoke 评测数据全缺：API 故障主榜零参与
豆包 Pro 今日 Smoke 评测因 API 故障/超时导致 execution、grounding 等五维度数据缺失，已进入自动补跑，本期不参与主榜排名。单日 10 题快测出现完整数据丢失属于技术层面异常，而非题目抽签波动或模型退化。
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
Gemini 3.1 Pro以94.74分居首：2026-08-11 Smoke快测数据简报
2026-08-11 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 3.1 Pro 以 94.74 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
DeepSeek V4 Pro以87.2分居首：2026-08-10 Smoke快测数据简报
2026-08-10 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 87.2 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Claude Sonnet 4.6 涨 8.8 分，豆包 Pro 跌 16 分：WDCD v3.1 守约分化
Claude Sonnet 4.6 WDCD 分数从上期上升 8.8 至 83.72，豆包 Pro 下降 16 分，GPT-5.5 上升 5 分。Grok 4 以 91.04 保持首位，v3.1 试点显示多轮施压下守约生存差异扩大。
WDCD横评：数据边界全场景最低，11模型平均分仅2.8，doubao-pro 1.4分崩盘
WDCD v3.1五场景横评显示，数据边界全体得分最低，doubao-pro仅1.4/4垫底；业务规则区分度最大，deepseek-v4-pro拿下4/4满分。claude-sonnet-4.6工程规范4/4却业务规则仅2.55/4，暴露明
WDCD三轮锚点：豆包Pro 32%全崩Grok零崩溃，34次零分暴露守约裂痕
v2锚点题数据显示，11模型中豆包Pro R3崩溃率32%，Grok 4为0%；R3完全崩溃34/275次。R1确认率90%但R3诚信率仅44.4%，揭示多数模型先确认后崩盘的典型模式，仅限8道v2题口径。
WDCD守约榜Grok 4 91.04分夺冠 豆包Pro 58分垫底差距33分
Grok 4以91.04分位居WDCD守约榜首，豆包Pro仅58分垫底，R3施压轮崩溃率达12.4%。11个模型中头部与尾部差距超过33分，Claude Sonnet 4.6单期提升8.8分，GPT-5.5提升5分。数据揭示多轮渐进施压下模
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。