DeepSeek V4 Pro代码执行暴跌25分 主榜下滑6.7分
今日Smoke评测中，DeepSeek V4 Pro代码执行从100.00跌至75.00，主榜从83.53降至76.85。材料约束升至79.10，工程判断升至100.00，任务表达降至74.20，诚信评级从warn转为pass。单日10题快
材料约束 相关资讯
Grok 4 Smoke评测主榜暴跌11.3分 材料约束单日降18分
Grok 4今日Smoke评测主榜从89.30分跌至78.01分，降幅11.3分。其中材料约束从78.90分骤降至60.90分，代码执行从97.80分降至92.00分，工程判断则从81.90分升至94.50分。单日波动主要集中在材料约束维度
DeepSeek V4 Pro材料约束暴跌31.8分 代码执行却从69.5直升100
DeepSeek V4 Pro今日Smoke评测中材料约束从100分跌至68.2分，降31.8分；代码执行从69.5分升至100分，主榜反而升2.46分至85.69。单日2题抽样导致的剧烈波动是主因，诚信评级仍为pass。
GPT-o3代码执行飙升52.5分 材料约束却跌15.7分 主榜反升21.8
GPT-o3今日Smoke评测中代码执行从44.50升至97.00，材料约束从100.00降至84.30，主榜从69.48升至91.29。材料约束单日下跌15.7分，需判断是抽签波动还是真实退化。
GLM-4.6 材料约束 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜
2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针
GLM-4.6 诚信评级从 pass 跌至 fail，代码执行却暴涨 47 分
GLM-4.6 今日 Smoke 评测诚信评级降为 fail，代码执行从 50.00 分升至 97.00 分，主榜升至 74.00 分，工程判断从 60.40 分跌至 0.00 分，需关注单日 10 题波动与真实能力退化区别。
Claude Opus 4.7 Smoke评测主榜暴跌26.1分，代码执行与材料约束双双失守
今日Smoke评测中，Claude Opus 4.7主榜得分从100.00分跌至73.92分，降幅26.1分。代码执行从100.00降至75.00，材料约束从100.00降至72.60，工程判断与任务表达降幅较小，诚信评级维持pass。
Gemini 3.1 Pro材料约束暴跌17.8分 主榜下滑6分
Gemini 3.1 Pro今日Smoke评测材料约束从90.40分跌至72.60分，降幅17.8分，主榜从81.93分降至75.90分。代码执行小升3.6分，工程判断升至100分，任务表达跌25分。单日10题测试中，此幅度变化需重点观察。
Gemini 2.5 Pro代码执行单日跌24.6分 主榜下滑6.5分
Gemini 2.5 Pro今日Smoke评测代码执行从74.60分跌至50.00分，材料约束升至94.40分，主榜从76.49分降至69.98分。单日10题测试中，代码执行维度出现最大波动，需区分题目抽签与真实能力变化。
Gemini 3.1 Pro 材料约束跌26.6分 主榜仍升5.4分
Gemini 3.1 Pro今日Smoke评测材料约束从90.90分跌至64.30分，降26.6分；代码执行从18.40分升至50.00分，主榜从51.03分升至56.44分。单日10题抽样下，材料约束与任务表达同步回落，需观察后续一致性。
Grok 4 Smoke评测主榜暴跌17.5分 材料约束单日跌21.9
Grok 4今日Smoke评测主榜从94.15分跌至76.65分，降幅17.5分。其中材料约束从87.00分跌至65.10分，代码执行从100.00分跌至86.10分。单日10题抽签导致的波动与模型真实能力退化需进一步验证。
Gemini 3.1 Pro Smoke 评测主榜暴跌 8.5 分，代码执行从 75 直接腰斩
Gemini 3.1 Pro 今日 Smoke 评测主榜从 80.99 分跌至 72.50 分，降幅 8.5 分。其中代码执行维度从 75.00 分腰斩至 50.00 分，材料约束反而升至 100.00 分，工程判断（侧榜，AI 辅助评估）
Claude Opus 4.7主榜跌14分 代码执行从100降至69
Claude Opus 4.7今日Smoke评测主榜从96.99分跌至82.95分，代码执行维度从100.00分降至69.00分，材料约束升至100.00分。单日2题抽签导致的波动是主因。
GLM-4.6材料约束暴跌25分 代码执行反升50分 Smoke测试主榜逆涨
GLM-4.6今日Smoke评测材料约束从50.00分跌至25.00分，降幅25分；代码执行从25.00分升至75.00分，主榜从36.25分升至52.50分。工程判断同步下滑19.5分。单日10题抽样下，需区分题目波动与真实能力变化。
Grok 4 主榜暴跌 8.4 分，材料约束单日跌 17.6 分
Grok 4 今日 Smoke 评测主榜从 87.66 分跌至 79.30 分，降幅 8.4 分，主要源于材料约束从 79.30 分跌至 61.70 分。代码执行仅降 0.8 分，工程判断反升 15.3 分，诚信评级从 pass 转为 wa
GPT-o3 材料约束暴跌16.8分，任务表达同步掉28.3分
今日Smoke评测中GPT-o3材料约束从83.60分跌至66.80分，任务表达从95.00分跌至66.70分，主榜整体下滑3.1分至80.39分。代码执行反升8.2分，工程判断持平75.00分，诚信评级维持pass。
Qwen3 Max材料约束暴跌15.1分 代码执行反升18.4分
Qwen3 Max今日Smoke评测中材料约束从83.60分跌至68.50分，降幅15.1分，代码执行则从73.10分升至91.50分，主榜小幅升至81.15分。单日2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能力退化。
GLM-4.6 材料约束 25 分 代码执行 88.7 分 诚信探针归零
GLM-4.6 在 2026-07-05 Run#214 Smoke 快测中主榜 60.04 分，代码执行 88.70 分、材料约束 25.00 分，诚信评级 fail（探针 0.00）。该模型在 42 个金丝雀探针中全部触发，显示其将虚构
Qwen3 Max主榜暴跌12.9分 Gemini 2.5 Pro 96.99分领跑Smoke轻量榜
2026-07-04 Smoke轻量评测中，Gemini 2.5 Pro以主榜96.99分（执行100、约束93.3）登顶，Qwen3 Max主榜暴跌12.9分至72.02。GPT-o3与Gemini 2.5 Pro单日分别上涨24分和22
Gemini 3.1 Pro 82.97 分登顶，执行 75 分拉开与第二名差距
2026-07-02 Smoke 评测显示，Gemini 3.1 Pro 以主榜 82.97 分（执行 75、约束 92.7）位居第一，豆包 Pro 81.98 分紧随其后。Claude Opus 4.7 约束 97 分最高，但执行仅 58