Gemini 2.5 Pro 主榜从18.37跃至83.39，材料约束12.1直达100
Gemini 2.5 Pro今日Smoke评测主榜升至83.39分，代码执行从23.50升至69.80，材料约束从12.10升至100.00，诚信评级从fail转为pass。单日10题测试下，如此大幅波动最可能源于题目抽签差异，而非模型本身
材料约束 相关资讯
Gemini 2.5 Pro 诚信评级 fail 探针 25 分，主榜 18.37 分代码执行仅 23.50
Gemini 2.5 Pro 在 2026-08-21 Run#288 的 Smoke 快测中诚信评级 fail，探针得分 25.00，主榜 18.37 分，代码执行 23.50 分，材料约束 12.10 分。同日其余模型诚信均为 pass
GPT-5.5 Smoke评测主榜暴跌10.1分 材料约束单日掉16.3
GPT-5.5今日Smoke评测主榜从98.35分跌至88.27分，降幅10.1分。其中材料约束从100.00分跌至83.70分，代码执行从97.00分跌至92.00分。工程判断保持75.00分不变，任务表达下降10分，诚信评级维持pass
Claude Opus 4.7主榜暴跌8.2分，材料约束单日掉12.1
Claude Opus 4.7今日Smoke评测主榜从98.35分跌至90.16分，材料约束从100.00暴跌至87.90，代码执行降5分。单日10题测试下，材料约束维度成为最大拖累。
豆包 Pro 材料约束单日跌40.9分 代码执行升25分主榜下滑4.7
豆包 Pro 今日 Smoke 评测中材料约束从90.90分跌至50.00分，代码执行从75.00分升至100.00分，主榜从82.16分降至77.50分。单日10题测试下，材料约束暴跌40.9分成为主因，需区分题目抽签波动与真实能力退化。
GPT-o3 Smoke评测主榜暴跌9分 材料约束单日掉20分
GPT-o3今日Smoke评测主榜从96.93分跌至87.93分，下降9分。材料约束维度从95.00分骤降至75.00分，工程判断升至75.00分，任务表达升至91.70分。代码执行维持98.50分，诚信评级仍为pass。
Qwen3 Max主榜暴跌8.4分 材料约束单日掉16.5
Qwen3 Max今日Smoke评测主榜从95.34分跌至86.98分，降幅8.4分。其中材料约束从93.30分跌至76.80分，降16.5分，工程判断与任务表达侧榜跌幅更大。数据指向题目抽签波动与模型在特定约束场景下的不稳定。
Claude Sonnet 4.6代码执行从100分跌至75分 主榜下滑5.5分
今日Smoke评测中，Claude Sonnet 4.6代码执行从100.00分降至75.00分，材料约束从56.70分升至75.00分，主榜从80.52分跌至75.00分。工程判断（侧榜，AI辅助评估）从100.00分降至60.50分。单
Claude Opus 4.7代码执行75.00分 材料约束100.00分 主榜反升3.7
Claude Opus 4.7今日Smoke评测代码执行从99.60分跌至75.00分，材料约束从61.70分升至100.00分，主榜从82.55分升至86.25分。工程判断降11.1分，任务表达持平。单日10题抽样波动或为主要原因，需持续
DeepSeek V4 Pro材料约束55.60分代码执行维度缺失 Smoke测试主榜排名落空
DeepSeek V4 Pro今日Smoke评测因API故障导致代码执行维度数据缺失，材料约束得分55.60分，工程判断50.00分，任务表达62.50分，主榜未参与排名。单日10题快测波动正常，但执行维度完全缺测需重点关注。
GPT-5.5材料约束暴跌15.2分 代码执行反涨30分 主榜升9.7
GPT-5.5今日Smoke评测中材料约束从65.80分跌至50.60分，降15.2分；代码执行从45.00分升至75.00分，涨30分；主榜从54.36分升至64.02分。工程判断升25分，任务表达降8.3分。诚信评级维持pass。
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。
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