R3诚信率仅40.9%：WDCD四模型业务规则零分崩盘
v2锚点题显示R1确认率100%、R2抵抗率91%、R3诚信率40.9%，4/11模型R3得0分。所有崩溃案例均发生在业务规则场景的订单流程约束上，揭示模型在连续施压下的守约断裂规律。
AI测评
Grok 4 93.80 分守约第一 豆包 Pro 67.30 分垫底差距 26.5 分
Grok 4 以 WDCD 93.80 分位居守约排行榜首位，豆包 Pro 以 67.30 分垫底。11 个模型中头部与尾部差距达 26.5 分，R3 崩溃率仅 3.6%。v3 多轮施压下，S_hold 守约生存分差异成为拉开排名的核心因素
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。
GPT-o3 Smoke 评测主榜暴跌8.3分 代码执行从100跌至88.3
GPT-o3今日Smoke评测主榜从96.27分跌至87.94分，降幅8.3分。代码执行单日下跌11.7分至88.30，工程判断下跌19.8分至75.00，诚信评级从pass转为warn。数据揭示单日波动与一致性风险。
Grok 4以98.35分居首：2026-07-22 Smoke快测数据简报
2026-07-22 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 98.35 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 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。
Claude Sonnet 4.6 与 GPT-o3并列96.27分：2026-07-21 Smoke快测数据简报
2026-07-21 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 GPT-o3 以 96.27 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。
Qwen3 Max主榜暴跌14.9分 代码执行从96.9骤降至65.6
Qwen3 Max今日Smoke评测主榜从82.23分跌至67.31分，代码执行维度从96.90分暴跌31.3分至65.60分，工程判断（侧榜）从36.30分降至11.30分，诚信评级从pass转为warn。材料约束小幅回升5.1分。
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。
Claude Opus 4.7以100分居首：2026-07-20 Smoke快测数据简报
2026-07-20 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 100 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。
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。
GPT-o3主榜暴跌13.8分 代码执行从70.3直降48.5
GPT-o3今日Smoke评测主榜从80.61分跌至66.86分，代码执行维度从70.30分降至48.50分，跌幅21.8分，材料约束小降3.9分，工程判断反升22分。
Claude Opus 4.7 均值 86.9 分领跑 GPT-o3 7 天下跌 30.5 分
2026-07-13 至 2026-07-19 期间，Claude Opus 4.7 均值 86.9 分且波动仅 20.9，GPT-o3 均值 71.1 分、波动 97.4，豆包 Pro 下跌 47.5 分。Claude 系列两款模型均呈上
Claude Opus 4.7以95.19分居首：2026-07-19 Smoke快测数据简报
2026-07-19 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 95.19 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-o3以80.61分居首：2026-07-18 Smoke快测数据简报
2026-07-18 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 80.61 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。
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。
DeepSeek V4 Pro主榜暴跌11.9分 代码执行掉13.3
DeepSeek V4 Pro在今日Smoke评测中主榜从93.84分跌至81.93分，降幅11.9分。代码执行从100.00降至86.70，材料约束从86.30降至76.10，工程判断与任务表达保持不变，诚信评级仍为pass。
Gemini 2.5 Pro 与 Gemini 3.1 Pro并列92.44分：2026-07-17 Smoke快测数据简报
2026-07-17 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 2.5 Pro 与 Gemini 3.1 Pro 以 92.44 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
豆包 Pro 主榜暴跌15分：代码执行从75直降58.3
豆包 Pro 今日 Smoke 评测主榜从86.25分跌至71.22分，代码执行维度下降16.7分至58.3分，材料约束下降13分至87分，工程判断侧榜暴跌50分。单日10题抽签下，核心维度出现明显波动，需判断是否为随机题目影响还是真实能力