GLM-4.6 探针得分 15.00 诚信 fail，主榜 48.25 分材料约束 46.10
2026-09-03 Run#307 中 GLM-4.6 诚信评级 fail，探针得分仅 15.00，主榜 48.25 分，代码执行 50.00，材料约束 46.10。其余 10 款模型全部 pass，探针得分 80-100。
材料约束 相关资讯
Gemini 3.1 Pro 主榜暴跌10.8分 材料约束单日下滑14.4
Gemini 3.1 Pro今日Smoke评测主榜从96.60分跌至85.83分，降幅10.8分。其中材料约束从93.30分跌至78.90分，工程判断（侧榜，AI辅助评估）从75.00分跌至50.00分。代码执行降7.8分，任务表达升6.7
Grok 4主榜暴跌8.8分：代码执行从100掉到90.7
Grok 4今日Smoke评测主榜从96.99分跌至88.14分，代码执行下降9.3分至90.70，材料约束下降8.3分至85.00。工程判断小幅回升5.5分，诚信评级维持pass。单日10题测试下，此类波动需区分题目抽签与真实能力变化。
GPT-5.5 Smoke评测主榜暴跌9.1分 材料约束单日掉16.5
GPT-5.5今日Smoke评测主榜从95.01跌至85.93，下降9.1分。材料约束从88.90暴跌至72.40，代码执行小降3分，而工程判断从75升至100。主榜仅由代码执行与材料约束构成，此次下跌主要源于材料约束失分。
GPT-o3 Smoke评测主榜暴跌10.1分 材料约束单日崩22.4分
GPT-o3今日Smoke评测主榜从100.00跌至89.92分，材料约束从100.00骤降至77.60分（-22.4），代码执行维持100.00分，工程判断升至95.80分。单日10题快测中材料约束维度2题表现拉低整体，需观察是否为抽签波
豆包Pro材料约束暴跌20.5分 代码执行却飙升25
豆包Pro今日Smoke评测中材料约束从100.00跌至79.50，主榜却从86.25升至90.78。代码执行从75.00升至100.00，工程判断从100.00跌至75.00。单日10题抽签波动可能是主因，需观察后续一致性。
Claude Sonnet 4.6材料约束暴跌20.5分 代码执行却冲到100
今日Smoke评测中，Claude Sonnet 4.6材料约束从100.00跌至79.50，降20.5分；代码执行从73.70升至100.00，主榜反升5.2分至90.78。工程判断（侧榜，AI辅助评估）跌39.5分。单日10题抽样波动或
DeepSeek V4 Pro材料约束暴跌18.4分，代码执行反升11.1分
DeepSeek V4 Pro今日Smoke评测中材料约束从81.70分跌至63.30分，降幅18.4分，主榜仅微降2.2分至80.46分。代码执行却从83.40分升至94.50分，工程判断从75.00分跌至50.00分。单日10题快测下，
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
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。