Qwen3 Max主榜暴跌19.2分 四模型执行约束双满分
2026-06-21 Smoke评测中，DeepSeek V4 Pro、Gemini 3.1 Pro、GPT-o3、Grok 4四模型主榜、执行、约束三项均为100分。Qwen3 Max主榜暴跌19.2分至80.82，执行维度从昨日高位跌至
AI测评
文心一言4.5 Smoke主榜暴跌22.2分 代码执行直接腰斩至50分
文心一言4.5今日Smoke评测主榜从93.25分跌至71.02分，暴跌22.2分。代码执行维度从94.10分直接跌至50.00分，材料约束小涨至96.70分。单日10题快测中，代码执行表现出现显著异常。
GPT-5.5 Smoke评测主榜暴跌20.5分，代码执行从100直降50
GPT-5.5今日Smoke评测主榜从93.03分跌至72.50分，暴跌20.5分。代码执行从100.00分腰斩至50.00分，材料约束则从84.50分升至100.00分。单日10题抽签导致的波动可能是主因，仍需持续观察。
GPT-5.5执行分暴跌至50 Gemini 3.1 Pro主榜狂掉28.3分
2026-06-20 Smoke轻量评测显示，GPT-5.5、Gemini 3.1 Pro等四模型执行分集体跌至50，主榜分别暴跌20.5至28.3分。Claude Opus 4.7与Qwen3 Max以100分并列第一，执行与约束双满分。
豆包 Pro 材料约束暴跌15.9分 Smoke单日测试异常成因
豆包 Pro 在今日 Smoke 评测中材料约束从 100.00 分跌至 84.10 分，主榜从 100.00 分降至 92.85 分。代码执行、工程判断、任务表达三项维持满分，诚信评级仍为 pass。
GPT-o3材料约束单日暴跌15.2分 Smoke主榜从100跌至93.16
GPT-o3今日Smoke评测材料约束从100.00分跌至84.80分，主榜从100.00降至93.16分。代码执行、工程判断、任务表达三项保持满分，诚信评级维持pass。单日10题快测下，此类波动是否反映真实退化值得追踪。
Smoke评测：Qwen3 Max约束+23分逆袭，GPT-o3材料约束暴跌15.2分
2026年6月19日Smoke评测显示，Gemini 3.1 Pro以99.28分继续领跑。Qwen3 Max约束从昨日大幅提升23分，主榜升至97.35分；GPT-o3和豆包Pro材料约束分别暴跌15.2分和15.9分，暴露结构脆弱性。
Grok 4材料约束暴跌25.6分 主榜却逆势升至87分
在赢政指数今日Smoke评测中，Grok 4材料约束从96.70分跌至71.10分，降幅25.6分，但代码执行升至100分、主榜升至87分。单日10题快测下，多维度剧烈波动更可能源于题目抽签而非模型退化。
Grok 4材料约束暴跌25.6分 四模型主榜满分并列
2026-06-18 Smoke评测中，Claude Opus 4.7等四模型主榜、执行、约束三项均达100分。Grok 4材料约束单日暴跌25.6分至71.1分，导致主榜仅87分，与满分模型差距13分。执行维度11模型中有10个满分，约束
WDCD三轮衰减实测：GPT-o3 R3崩溃率50% Qwen3 Max零崩盘
WDCD三轮测试显示，R1平均确认率0.96，R2抵抗率降至0.76，R3平均诚信率仅75.5%。GPT-o3 R3崩溃率达50%，而Qwen3 Max、Claude Sonnet 4.6、文心一言4.5实现零崩溃，暴露多约束场景下的诚信断
Qwen3 Max 92.50分登顶 WDCD守约榜 豆包Pro 62.50分垫底差距30分
Qwen3 Max以92.50分位居WDCD守约排行榜首位，豆包Pro以62.50分垫底，头部与尾部相差30分。满分率47.3%，R3崩溃率16.4%。Claude Sonnet 4.6和DeepSeek V4 Pro分列二三位，GPT-o
文心一言4.5主榜暴跌10.4分，任务表达维度从90分腰斩至46.3
文心一言4.5今日Smoke评测主榜从81.69分跌至71.33分，代码执行从66.70分降至50.00分，任务表达从90.00分降至46.30分。工程判断反而升27.5分至72.20分，诚信评级从warn转为pass。
Qwen3 Max材料约束暴跌28.9分 主榜却微涨0.8
Qwen3 Max在今日Smoke评测中材料约束从100.00分跌至71.10分，降幅28.9分，但代码执行从50.00分升至75.00分，主榜得分反而升0.8分至73.25分。单日10题快测下，这种波动更可能是题目抽签所致。
Qwen3 Max材料约束暴跌28.9分，今日Smoke 11模型主榜洗牌
2026-06-17 Smoke评测显示，Qwen3 Max材料约束暴跌28.9分至71.1，主榜仅73.25分；Claude Opus 4.7以执行与约束双100稳居第一，Gemini 2.5 Pro与GPT-5.5主榜同为98.83分，
豆包Pro Smoke评测主榜暴跌9.9分 代码执行从100腰斩至50
在赢政指数2026年6月Smoke评测中，豆包Pro主榜从82.36分跌至72.50分，下滑9.9分。代码执行从100.00分直接跌至50.00分，材料约束则从60.80分升至100.00分，单日波动引发对题目抽签与真实能力稳定性的讨论。
Claude Sonnet 4.6代码执行从100暴跌至50，主榜降6.9分
今日Smoke评测中，Claude Sonnet 4.6代码执行从100.00骤降至50.00，主榜从79.44跌至72.50；材料约束则从54.30升至100.00，工程判断升至95.90。
Claude Opus 4.7 100分称王，9模型代码执行暴跌50分
2026-06-16 Smoke评测中，Claude Opus 4.7以执行100、约束100拿下主榜100分。文心一言4.5主榜81.69分排名第二，执行66.7分。9个模型代码执行出现-50分暴跌，主榜普遍下滑，Gemini系列执行分跌
豆包Pro材料约束暴跌24分，代码执行却从38.4飙至100
今日Smoke评测中，豆包Pro材料约束从84.80降至60.80，跌24分；代码执行从38.40升至100.00，主榜从59.28升至82.36。单日10题快测下，两个核心维度出现极端反向波动，需区分题目抽签与真实能力变化。
Grok 4 材料约束暴跌21.7分，代码执行却升至100分
赢政指数今日Smoke评测显示，Grok 4材料约束从83.00降至61.30，跌21.7分，而代码执行从80.90升至100.00，主榜微升0.7分至82.59。单日10题快测下，此幅度波动是否为抽签随机还是真实能力变化值得追踪。
材料约束暴跌39分，赢政指数11模型主榜集体下滑
2026年6月15日Smoke评测显示，11个模型材料约束平均下滑30分以上，Grok 4以主榜82.59分（执行100、约束61.3）暂居第一，豆包Pro与GPT-5.5并列第二。Gemini 3.1 Pro主榜暴跌39.4分，执行从97