GLM-4.6 Smoke测试材料约束71.90分 代码执行与诚信维度双缺
GLM-4.6今日Smoke评测因API故障导致代码执行与诚信维度缺失，仅材料约束71.90分、工程判断63.90分、任务表达50.00分，主榜不参与排名。单日10题测试波动属正常，但缺失维度指向接口层面问题而非模型能力退化。
材料约束 相关资讯
GLM-4.6 Smoke评测材料约束51.80分 任务表达50.00分 API故障致两维度缺失
GLM-4.6今日Smoke评测因API故障/超时，execution与judgment维度数据缺失，自动进入补跑，本期不参与排名。材料约束得分51.80分，任务表达50.00分，其余维度为空。单日10题快测波动属正常，但完整性受损需关注。
GLM-4.6材料约束暴跌27.3分 主榜却逆势升30.2分
今日Smoke评测中GLM-4.6材料约束从75.00降至47.70分，主榜却从46.29升至76.47分，代码执行从22.80升至100.00分，诚信评级从pass转为warn。单日10题快测下，维度剧烈波动值得关注。
GPT-o3今日主榜暴跌13.9分，代码执行与材料约束双双失守
GPT-o3在今日Smoke评测中主榜从93.16分跌至79.28分，暴跌13.9分。代码执行从95.00降至81.80，材料约束从90.90降至76.20，工程判断侧榜更跌30.6分至63.90。任务表达侧榜升至100.00。诚信评级维持
Qwen3 Max材料约束暴跌20分至47.70，代码执行却暴涨37.8分，主榜反升11.8
今日Smoke评测中，Qwen3 Max材料约束从67.70跌至47.70，降幅20分；代码执行从54.70升至92.50，升37.8分。主榜从60.55升至72.34。工程判断降16.6分，任务表达升35分。诚信评级维持pass。单日10
DeepSeek V4 Pro代码执行暴跌25分 主榜下滑6.7分
今日Smoke评测中，DeepSeek V4 Pro代码执行从100.00跌至75.00，主榜从83.53降至76.85。材料约束升至79.10，工程判断升至100.00，任务表达降至74.20，诚信评级从warn转为pass。单日10题快
Grok 4 Smoke评测主榜暴跌11.3分 材料约束单日降18分
Grok 4今日Smoke评测主榜从89.30分跌至78.01分，降幅11.3分。其中材料约束从78.90分骤降至60.90分，代码执行从97.80分降至92.00分，工程判断则从81.90分升至94.50分。单日波动主要集中在材料约束维度
DeepSeek V4 Pro材料约束暴跌31.8分 代码执行却从69.5直升100
DeepSeek V4 Pro今日Smoke评测中材料约束从100分跌至68.2分，降31.8分；代码执行从69.5分升至100分，主榜反而升2.46分至85.69。单日2题抽样导致的剧烈波动是主因，诚信评级仍为pass。
GPT-o3代码执行飙升52.5分 材料约束却跌15.7分 主榜反升21.8
GPT-o3今日Smoke评测中代码执行从44.50升至97.00，材料约束从100.00降至84.30，主榜从69.48升至91.29。材料约束单日下跌15.7分，需判断是抽签波动还是真实退化。
GLM-4.6 材料约束 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜
2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针
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。
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。
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。
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。
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。
Gemini 3.1 Pro Smoke 评测主榜暴跌 8.5 分，代码执行从 75 直接腰斩
Gemini 3.1 Pro 今日 Smoke 评测主榜从 80.99 分跌至 72.50 分，降幅 8.5 分。其中代码执行维度从 75.00 分腰斩至 50.00 分，材料约束反而升至 100.00 分，工程判断（侧榜，AI 辅助评估）
Claude Opus 4.7主榜跌14分 代码执行从100降至69
Claude Opus 4.7今日Smoke评测主榜从96.99分跌至82.95分，代码执行维度从100.00分降至69.00分，材料约束升至100.00分。单日2题抽签导致的波动是主因。
GLM-4.6材料约束暴跌25分 代码执行反升50分 Smoke测试主榜逆涨
GLM-4.6今日Smoke评测材料约束从50.00分跌至25.00分，降幅25分；代码执行从25.00分升至75.00分，主榜从36.25分升至52.50分。工程判断同步下滑19.5分。单日10题抽样下，需区分题目波动与真实能力变化。
Grok 4 主榜暴跌 8.4 分，材料约束单日跌 17.6 分
Grok 4 今日 Smoke 评测主榜从 87.66 分跌至 79.30 分，降幅 8.4 分，主要源于材料约束从 79.30 分跌至 61.70 分。代码执行仅降 0.8 分，工程判断反升 15.3 分，诚信评级从 pass 转为 wa