GLM-4.6代码执行58.30分材料约束100分 Smoke测试API故障暴露异常
GLM-4.6今日Smoke评测因API故障/超时数据不完整，代码执行58.30分、材料约束100.00分、工程判断75.00分，主榜74.00分，未参与排名。分析显示API问题最可能是低分主因，需重点关注。
AI测评
GPT-6 Luna主榜暴跌8.4分 代码执行单日跌16.7分
今日Smoke评测中GPT-6 Luna主榜从83.19分跌至74.82分，下降8.4分。其中代码执行从75.00分跌至58.30分，任务表达从90.00分跌至77.50分，材料约束小升1.8分。工程判断维持100分，诚信评级保持pass。
Claude Sonnet 4.6以94.74分居首：2026-10-09 Smoke快测数据简报
2026-10-09 赢政指数 Smoke 快测覆盖 14 个模型，Claude Sonnet 4.6 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。
Claude Sonnet 4.6以87.41分居首：2026-10-08 Smoke快测数据简报
2026-10-08 赢政指数 Smoke 快测覆盖 15 个模型，Claude Sonnet 4.6 以 87.41 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。
Qwen3 Max WDCD暴跌21.9分 6模型下滑仅豆包Pro逆涨9.5
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
WDCD横评：安全合规最低1.1分，15模型偏科差距达2.9
WDCD v3.1测试中，安全合规场景全体得分最低，qwen3-max仅1.1/4垫底；claude-opus-4.7在数据边界与工程规范均拿4/4。15模型中10个出现场景间1分以上差距，企业选型需按场景加护栏。
15模型R3仅1次全崩溃 Qwen3 Max却10%崩盘 WDCD v2锚点三轮衰减真相
v2锚点题显示R1确认率100%、R2抵抗率60%、R3诚信率76.7%，150次采样仅1次R3崩溃。Qwen3 Max在R2即0分且R3崩溃率10%，而GLM-4.6、Claude Opus 4.7等模型R3零崩溃，揭示“先确认后崩盘”模
WDCD守约榜：GLM-4.6 95.2分领跑 Qwen3 Max 65.6分垫底
GLM-4.6以95.20分位居WDCD守约榜首，Qwen3 Max仅65.60分垫底。头部五强均在93分以上，尾部三模型低于80分，R3崩溃率0.7%，满分率64%。数据揭示模型在多轮施压下的真实守约差异。
Claude Sonnet 4.6材料约束暴跌30.6分，代码执行反升25分
Claude Sonnet 4.6今日Smoke评测中，材料约束从93.30分跌至62.70分，降幅30.6分；代码执行则从50.00分升至75.00分。主榜得分69.49分与69.47分基本持平。工程判断升至100.00分，任务表达升至9
GPT-6 Sol材料约束暴跌33.3分 代码执行反升25分主榜微降
GPT-6 Sol今日Smoke评测中材料约束从88.30分跌至55.00分，降幅33.3分；代码执行从75.00分升至100.00分，主榜从80.99分微降至79.75分。单日10题快测下，材料约束与任务表达出现大幅波动。
Claude Opus 4.7以97.48分居首：2026-10-07 Smoke快测数据简报
2026-10-07 赢政指数 Smoke 快测覆盖 14 个模型，Claude Opus 4.7 以 97.48 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。
GPT-6 Luna 与 GPT-6 Sol并列80.99分：2026-10-06 Smoke快测数据简报
2026-10-06 赢政指数 Smoke 快测覆盖 15 个模型，GPT-6 Luna 与 GPT-6 Sol 以 80.99 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。
Claude Sonnet 4.6代码执行暴跌27.4分，材料约束却暴涨37.7分
Claude Sonnet 4.6今日Smoke评测中代码执行从71.90分跌至44.50分，材料约束从50.60分升至88.30分，主榜仅微升1.9分至64.21分。工程判断升至100分，任务表达跌至45分。单日10题抽样下，维度剧烈波动
Grok 4代码执行暴跌31.3分 材料约束反升34.7分
Grok 4今日Smoke评测代码执行从95.30分跌至64.00分，降31.3分；材料约束从48.40分升至83.10分，涨34.7分。主榜仅降1.6分至72.60分。单日10题抽签导致的波动是主因，需持续观察。
Claude Opus 4.7以95.63分居首：2026-10-05 Smoke快测数据简报
2026-10-05 赢政指数 Smoke 快测覆盖 14 个模型，Claude Opus 4.7 以 95.63 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。
GLM-4.6暴涨26分 GPT-5.5跟进10.5 WDCD守约格局突变
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。
WDCD五大场景横评：业务规则垫底2.13分，GPT-6系列偏科差1.84
WDCD v3.1测试显示，业务规则场景全体得分最低，doubao-pro仅2.13/4；数据边界与工程规范区分度最高，GPT-6-sol在两者间差距达1.84分。企业需针对不同约束类型加装护栏。
三轮施压后48.5%诚信率：Grok4零崩溃，GPT-o3崩盘率20.7%
v2锚点题数据显示，15模型R1确认率98%，R2抵抗率74%，R3诚信率仅48.5%，R3完全崩溃41次。Grok4零崩溃，GPT-o3崩溃率20.7%。分析聚焦多约束场景与资源限制下的逐轮崩盘机制，为生产接入提供护栏建议。
Grok 4 95.69 分登顶 WDCD，Qwen3 Max 73.48 分垫底差距超 22 分
Grok 4 以 95.69 分位列 WDCD v3.1 守约榜第一，Qwen3 Max 73.48 分垫底。15 个模型中 R3 崩溃率 9.4%，头部与尾部在多轮施压下的守约生存差异显著，提示生产接入需针对性加护栏。
Claude Opus 4.7以81.57分居首：2026-10-04 Smoke快测数据简报
2026-10-04 赢政指数 Smoke 快测覆盖 15 个模型，Claude Opus 4.7 以 81.57 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。