四模型WDCD集体下滑 Gemini 2.5 Pro 暴跌16.7分
WDCD v3.1 试点数据显示四模型全线下滑，无一上升。Gemini 2.5 Pro 较 Run #331 下降16.7分，降幅最大；DeepSeek V4 Pro、GPT-5.5、Qwen3 Max 分别下降6.6、6.5、7.9分。G
AI测评
数据边界成守约最大黑洞，11模型最低仅1.3分差距达2.7
WDCD v3.1测试显示，数据边界场景全体得分最低，qwen3-max仅1.3/4；业务规则场景最高分集中；claude-sonnet-4.6与qwen3-max偏科差距分别达1.9分和2.7分，企业生产接入需针对性加护栏。
WDCD三轮锚点测试：R3诚信率63.6% GPT-o3先确认后崩盘
仅基于8道v2锚点题，11模型R1确认率91%、R2抵抗率55%、R3诚信率63.6%，共出现3次R3完全崩溃。GPT-o3、GLM-4.6、Qwen3 Max在多约束场景下呈现“先确认后崩盘”轨迹，Grok 4、Claude Sonnet
Grok 4 93.60 分领跑 WDCD 守约榜 Qwen3 Max 67.30 分垫底
Grok 4 以 93.60 分位居 WDCD v3.1 守约榜首位，Qwen3 Max 以 67.30 分垫底。11 个模型中满分率 56.4%，R3 崩溃率仅 2.7%。头部与尾部差距达 26.3 分，R3 施压轮次成为主要分水岭。
GPT-o3代码执行暴跌32.5分 主榜从96.01跌至80.48
GPT-o3今日Smoke评测主榜从96.01分跌至80.48分，代码执行维度从97.00暴跌至64.50，材料约束反升至100.00。单日10题小样本测试下，执行能力出现显著波动，侧榜工程判断下降11.6分，任务表达上升25分，诚信评级维
Grok 4 代码执行从96.30分跌至69.50分，主榜单日下滑10分
Grok 4今日Smoke评测主榜从90.86分降至80.89分，代码执行维度暴跌26.8分至69.50分，材料约束反升10.6分至94.80分。工程判断侧榜跌25分，任务表达侧榜升20分。单日10题抽签导致的波动与模型真实能力变化需区分判
Claude Sonnet 4.6以96.98分居首：2026-09-23 Smoke快测数据简报
2026-09-23 赢政指数 Smoke 快测覆盖 10 个模型，Claude Sonnet 4.6 以 96.98 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材料约束暴跌15.8分 主榜从95.44滑至90.86
Grok 4今日Smoke评测材料约束从100.00跌至84.20，主榜下滑4.6分至90.86，代码执行反升至96.30。工程判断（侧榜）同步跌18.8分，诚信评级转为pass。单日10题抽签波动是否掩盖真实退化，值得持续追踪。
Claude Sonnet 4.6材料约束暴跌15.8分 代码执行反升47分
Claude Sonnet 4.6今日Smoke评测主榜升至91.24分，但材料约束从100.00分跌至84.20分，降15.8分，代码执行则从50.00分跃升至97.00分。单日两题抽样导致的波动仍是主因，需持续观察 grounding
GPT-o3以96.01分居首：2026-09-22 Smoke快测数据简报
2026-09-22 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 96.01 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 Sonnet 4.6 Smoke评测主榜暴跌17分，代码执行从100降至50
Claude Sonnet 4.6今日Smoke评测主榜从89.52分跌至72.50分，代码执行维度从100.00分腰斩至50.00分，材料约束反升至100.00分。工程判断升33.3分，任务表达降30.8分。数据指向单日2题抽签波动而非持
GPT-5.5代码执行从100跌至75 主榜单日下滑10.1分
GPT-5.5今日Smoke评测主榜从86.50分降至76.44分，代码执行从100.00分跌至75.00分，材料约束从70.00分升至78.20分。工程判断升至100.00分，诚信评级维持pass。单日10题快测下，核心维度剧烈波动值得追
Grok 4以95.44分居首：2026-09-21 Smoke快测数据简报
2026-09-21 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 95.44 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。
GLM-4.6暴跌29.8分 GPT-5.5下滑6分 WDCD守约测试两模型全线退步
本期WDCD v3.1试点仅GLM-4.6与GPT-5.5出现下降，分别下跌29.8分和6分，其余9个模型无上升。Grok 4以91.76分保持首位，Gemini 3.1 Pro 89.59分紧随。数据揭示守约能力在多轮施压下的脆弱性差异，
WDCD横评：数据边界成最难场景 GLM-4.6仅1.36分崩盘
WDCD v3.1五大场景测试显示，数据边界全体得分最低，glm-4.6仅1.36/4，deepseek-v4-pro与gemini-3.1-pro达3.8/4；业务规则区分度最高，claude-opus-4.7满分4/4。资源限制与安全合
R3诚信率仅49.5%：Grok 4零崩溃与GLM-4.6 27.6%崩盘的守约差距
v2锚点题显示，11模型R1确认率86%、R2抵抗率72%、R3诚信率49.5%，完全崩溃30/319次。Grok 4 R3零崩溃，GLM-4.6达27.6%。数据仅来自8道v2锚点题，揭示多约束场景下模型守约真实表现。
Grok 4 91.76 分领跑 WDCD 守约榜 GLM-4.6 61.55 分断崖垫底
Grok 4 以 WDCD 91.76 分位居首位，GLM-4.6 以 61.55 分垫底，R3 崩溃率 9.4%，头部与尾部差距超过 30 分。v3 多轮施压下守约生存能力差异显著，11 个模型中仅 49.2% 达到满分。
Grok 4 代码执行单日跌22.4分 主榜从88.33降至75.38
Grok 4今日Smoke评测主榜从88.33分跌至75.38分，代码执行从96.70分降至74.30分，降幅22.4分，材料约束仅微降1.4分。工程判断侧榜跌36.1分。单日10题抽签导致的波动是主因，需持续观察。
DeepSeek V4 Pro材料约束暴跌15分 主榜却逆势涨20.8
DeepSeek V4 Pro今日Smoke评测中材料约束从91.70降至76.70，主榜却从55.02升至75.77。代码执行从25.00跃升至75.00，工程判断从88.90跌至50.00。单日2题抽样导致的波动仍是主因，需持续观察材料
Qwen3 Max 7天趋势+19.1领跑，DeepSeek V4 Pro跌15.3分波动43.3
2026-09-14至2026-09-20 Smoke数据中，Qwen3 Max趋势+19.1从70.47升至89.52，Claude Opus 4.7从91.09升至96.99，DeepSeek V4 Pro趋势-15.3跌至75.77且