三大模型并列 Smoke 榜首 执行满分但约束警示
今日 Smoke 轻量评测中，Claude Opus 4.7、Claude Sonnet 4.6 与 GPT-5.5 并列主榜第一，得分 87.76，代码执行均 100 分，但材料约束仅 72.8 并触发 warn， grounding 仍
材料约束 相关资讯
GPT-5.5 材料约束71分登顶 Smoke榜 代码满分后半段差距拉大
今日Smoke轻量评测显示，GPT-5.5以86.95分位居第一，代码执行100分、材料约束71分。所有前七名模型代码执行均满分，排名完全由材料约束决定；Claude Opus 4.7等后四名执行仅50分，整体差距明显。
Smoke评测：Claude Sonnet 4.6 99.78分断层领先，GPT系列集体卡在74分
今日Smoke轻量评测显示，Claude Sonnet 4.6以主榜99.78分（执行100，约束99.5）继续领跑，DeepSeek V4 Pro与Gemini 3.1 Pro并列第二。GPT-5.5、GPT-o3、Grok 4等7个模型
Claude Sonnet 4.6主榜91.77断层领先，GPT-o3执行50分直接垫底
今日Smoke评测显示Claude Sonnet 4.6以91.77分登顶，代码执行满分、材料约束81.7分；GPT-o3执行仅50分垫底11名；DeepSeek V4 Pro诚信评级突降为fail，11模型中仅3个pass。
Smoke评测全员腰斩：11模型主榜平均暴跌42分，代码执行维度集体失守
今日Smoke轻量评测显示11个主流模型主榜平均暴跌42分，代码执行维度从昨日普遍高位跌至20或0分，仅Gemini 3.1 Pro以40.48分勉强领跑，暴露当前模型在复杂代码任务上的极端脆弱性。
Claude Sonnet 4.6材料约束暴跌15分，Smoke快测主榜下滑6.8
Claude Sonnet 4.6今日Smoke评测材料约束从74.5暴跌至59.5，主榜从88.53降至81.78，诚信评级由pass转为warn。单日-15分变化超出正常抽签波动，需关注是否出现真实能力退化。
Claude Opus 4.7材料约束单日跌15分，Smoke测试波动还是真实退化
Claude Opus 4.7在今日Smoke评测中材料约束从74.50暴跌至59.50，主榜从88.53降至81.78。代码执行保持满分100分，工程判断与任务表达零变化。单日10题抽签下，此类15分级波动是否反映模型真实能力退化，值得持
11模型材料约束集体暴跌15分，Smoke评测揭示核心短板
今日Smoke轻量评测显示，11款主流模型主榜全线下滑，材料约束平均暴跌15分以上，多款从warn转为fail。代码执行保持满分，暴露模型在事实约束上的系统性退化。
Claude Sonnet 4.6材料约束暴跌22分，代码执行却冲到100
Claude Sonnet 4.6今日Smoke评测材料约束从96.5暴跌至74.5，主榜仅微降2分。代码执行反升至100，单日10题抽签波动与真实能力变化需区分观察。
Claude Opus 4.7主榜暴跌8.2分，材料约束单日崩18.3
Claude Opus 4.7今日Smoke评测主榜从96.76跌至88.53，材料约束单日暴跌18.3分至74.50，诚信评级从pass转为warn，工程判断小幅回升。
Gemini 2.5 Pro 主榜暴跌35.6分，DeepSeek V4 Pro 登顶 Smoke 评测
今日 Smoke 评测中，Gemini 2.5 Pro 主榜从昨日 96.6 骤降至 61.03，执行分直接腰斩。DeepSeek V4 Pro 以 95.28 分登顶，执行 100 分、约束 89.5 分（warn）领先，GPT-o3 紧
Claude Sonnet 4.6材料约束暴跌22.6分，代码执行却直接翻倍
Claude Sonnet 4.6今日Smoke评测主榜升至81.28分，但材料约束从81分暴跌至58.4分，降幅22.6。代码执行从50分跃升至100分掩盖了这一下滑。单日10题快测波动正常，但需判断是否为真实能力退化。
Grok 4材料约束暴跌21.3分，代码执行却暴涨50，主榜反升17.9
Grok 4今日Smoke评测材料约束从80.3骤降至59，主榜却因代码执行翻倍升至81.55。单日10题抽签导致波动正常，但-21.3分降幅超出历史均值，需观察是否为真实能力退化。
材料约束集体暴跌20分，Grok 4 81.55分险胜Claude登顶
今日Smoke评测显示，11款主流模型材料约束维度普遍暴跌18-29分，导致整体排名剧烈洗牌。Grok 4以81.55分勉强守住第一，但约束仅59分且标warn；豆包Pro主榜暴跌37.2分，执行从高位直接腰斩至50分。核心问题集中在材料约
Claude Opus 4.7材料约束暴跌17.6分，代码执行却逆势涨11.9
Claude Opus 4.7在今日Smoke快测中材料约束从98.3骤降至80.7，主榜微跌1.4分。代码执行却从38.1跃升至50.0，诚信评级从warn转为pass。单日10题测试波动正常，但17.6分跌幅仍需警惕模型真实退化风险。
Gemini 2.5 Pro材料约束暴跌14分，主榜却逆涨15.9，抽签还是真退化？
Gemini 2.5 Pro今日Smoke评测出现明显分化：材料约束从91.5暴跌至77.5，主榜却从74升至89.88。诚信评级从fail转为warn，工程判断和任务表达大幅拉升。核心问题是每日10题抽签波动，还是模型真实能力退化。
Gemini主榜暴跌23分，Claude Sonnet 4.6以97.5分登顶Smoke快测
今日Smoke轻量评测显示，Claude Sonnet 4.6以97.5分登顶，Gemini 3.1 Pro主榜暴跌23.2分，文心一言4.5诚信评级直接降为Fail，核心执行与约束双维度出现明显分化。
豆包Pro材料约束暴跌15.2分 Smoke测试暴露真实波动
豆包Pro今日Smoke评测材料约束从95分跌至79.8分，暴跌15.2分，主榜下降6.8分至90.91。代码执行保持满分，工程判断与任务表达却有提升。单日10题快测下，这一变化更可能是题目抽签波动还是模型真实退化，值得拆解。
11个AI同解连续登录SQL题：8个满分3个直接崩盘
在同一道“找出用户最长连续登录天数”的SQL题上，11个主流模型中8个拿下100分，3个直接0分。Qwen3 Max、Grok 4和GPT-5.5因语法错误或语句不完整彻底失败，暴露了当前顶级模型在日期分组逻辑上的显著不稳定。
11 模型同答 SQL 留存题：9 家 0 分，DeepSeek 与 Grok 仅 66.7
在同一道「SQL 月度留存 Cohort」代码执行题上，11 个模型中 9 个直接得 0 分，仅 DeepSeek V4 Pro 和 Grok 4 拿到 66.7 分。多数模型要么 CTE 写到一半截断，要么日期偏移计算出错，暴露了当前大模