Claude Opus 4.7 Smoke评测主榜暴跌27.5分，代码执行从100直降50
Claude Opus 4.7今日Smoke评测主榜从100.00跌至72.50分，代码执行维度从100.00暴跌至50.00分，材料约束保持100.00不变，工程判断从83.40升至100.00，诚信评级维持pass。
AI测评
4模型执行分暴跌至50，文心一言主榜狂掉34.1分
2026-06-24 Smoke评测中，文心一言4.5主榜暴跌34.1分至64.63，Claude Opus 4.7和Claude Sonnet 4.6分别下跌27.5分与24.4分，核心原因是代码执行从100直接跌至50。今日前三名Dee
Qwen3 Max Smoke评测主榜暴跌12分 诚信评级从pass转为fail
Qwen3 Max今日Smoke评测主榜从85.96分跌至74.00分，代码执行持平100.00分，材料约束从68.80分升至95.70分，但工程判断和任务表达双双大跌，诚信评级由pass转为fail。
Qwen3 Max主榜暴跌12分至74，诚信fail拉低整体
2026-06-23 Smoke评测显示，Qwen3 Max主榜74分暴跌12分，诚信从pass转为fail。Claude Opus 4.7、Gemini 3.1 Pro、Grok 4三模型以执行100、约束100拿下满分主榜。文心一言4.
Gemini 2.5 Pro主榜暴跌28分，代码执行从100直接腰斩
Gemini 2.5 Pro在今日Smoke评测中主榜从99.28分跌至71.33分，暴跌28分，主要源于代码执行维度从100.00分直接跌至50.00分。材料约束微降1分，其他维度持平或微升，诚信评级维持pass。
Qwen3 Max材料约束暴跌26.7分，代码执行却升至100分
赢政指数今日Smoke评测显示，Qwen3 Max材料约束从95.50跌至68.80（-26.7），代码执行从68.80升至100.00（+31.2），主榜从80.82升至85.96（+5.1）。单日10题快测波动正常，但需区分抽签与真实退
文心一言主榜暴跌40.3分，Smoke评测揭露执行约束双崩
2026-06-22 Smoke评测显示GPT-5.5与GPT-o3主榜100分并列第一，文心一言4.5主榜仅47.98分暴跌40.3分，Gemini 2.5 Pro主榜71.33分大降28分，Qwen3 Max材料约束跌26.7分，执行与
Qwen3 Max主榜暴跌19.2分，代码执行单日掉31.2分
赢政指数2026年6月Smoke评测显示，Qwen3 Max主榜从100分跌至80.82分，代码执行维度从100分降至68.80分，降幅31.2分。材料约束仅降4.5分，诚信评级维持pass。单日10题快测下，此类波动需区分抽签因素与真实能
Grok 4 趋势上涨19.8分领跑 Smoke 周报，Gemini 系列波动超28分
赢政指数 2026-W25 Smoke 7 天数据显示，Grok 4 趋势上涨 19.8 分至 100，DeepSeek V4 Pro 均值 98.7 分保持领先；Gemini 2.5 Pro 与 Gemini 3.1 Pro 波动分别达
Qwen3 Max主榜暴跌19.2分 四模型执行约束双满分
2026-06-21 Smoke评测中，DeepSeek V4 Pro、Gemini 3.1 Pro、GPT-o3、Grok 4四模型主榜、执行、约束三项均为100分。Qwen3 Max主榜暴跌19.2分至80.82，执行维度从昨日高位跌至
文心一言4.5 Smoke主榜暴跌22.2分 代码执行直接腰斩至50分
文心一言4.5今日Smoke评测主榜从93.25分跌至71.02分，暴跌22.2分。代码执行维度从94.10分直接跌至50.00分，材料约束小涨至96.70分。单日10题快测中，代码执行表现出现显著异常。
GPT-5.5 Smoke评测主榜暴跌20.5分，代码执行从100直降50
GPT-5.5今日Smoke评测主榜从93.03分跌至72.50分，暴跌20.5分。代码执行从100.00分腰斩至50.00分，材料约束则从84.50分升至100.00分。单日10题抽签导致的波动可能是主因，仍需持续观察。
GPT-5.5执行分暴跌至50 Gemini 3.1 Pro主榜狂掉28.3分
2026-06-20 Smoke轻量评测显示，GPT-5.5、Gemini 3.1 Pro等四模型执行分集体跌至50，主榜分别暴跌20.5至28.3分。Claude Opus 4.7与Qwen3 Max以100分并列第一，执行与约束双满分。
豆包 Pro 材料约束暴跌15.9分 Smoke单日测试异常成因
豆包 Pro 在今日 Smoke 评测中材料约束从 100.00 分跌至 84.10 分，主榜从 100.00 分降至 92.85 分。代码执行、工程判断、任务表达三项维持满分，诚信评级仍为 pass。
GPT-o3材料约束单日暴跌15.2分 Smoke主榜从100跌至93.16
GPT-o3今日Smoke评测材料约束从100.00分跌至84.80分，主榜从100.00降至93.16分。代码执行、工程判断、任务表达三项保持满分，诚信评级维持pass。单日10题快测下，此类波动是否反映真实退化值得追踪。
Smoke评测：Qwen3 Max约束+23分逆袭，GPT-o3材料约束暴跌15.2分
2026年6月19日Smoke评测显示，Gemini 3.1 Pro以99.28分继续领跑。Qwen3 Max约束从昨日大幅提升23分，主榜升至97.35分；GPT-o3和豆包Pro材料约束分别暴跌15.2分和15.9分，暴露结构脆弱性。
Grok 4材料约束暴跌25.6分 主榜却逆势升至87分
在赢政指数今日Smoke评测中，Grok 4材料约束从96.70分跌至71.10分，降幅25.6分，但代码执行升至100分、主榜升至87分。单日10题快测下，多维度剧烈波动更可能源于题目抽签而非模型退化。
Grok 4材料约束暴跌25.6分 四模型主榜满分并列
2026-06-18 Smoke评测中，Claude Opus 4.7等四模型主榜、执行、约束三项均达100分。Grok 4材料约束单日暴跌25.6分至71.1分，导致主榜仅87分，与满分模型差距13分。执行维度11模型中有10个满分，约束
WDCD三轮衰减实测：GPT-o3 R3崩溃率50% Qwen3 Max零崩盘
WDCD三轮测试显示，R1平均确认率0.96，R2抵抗率降至0.76，R3平均诚信率仅75.5%。GPT-o3 R3崩溃率达50%，而Qwen3 Max、Claude Sonnet 4.6、文心一言4.5实现零崩溃，暴露多约束场景下的诚信断
Qwen3 Max 92.50分登顶 WDCD守约榜 豆包Pro 62.50分垫底差距30分
Qwen3 Max以92.50分位居WDCD守约排行榜首位，豆包Pro以62.50分垫底，头部与尾部相差30分。满分率47.3%，R3崩溃率16.4%。Claude Sonnet 4.6和DeepSeek V4 Pro分列二三位，GPT-o