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
材料约束 相关资讯
Qwen3 Max材料约束暴跌16.9分 代码执行却暴涨64.3分
Qwen3 Max今日Smoke评测材料约束从90.90分跌至74.00分，代码执行从25.00分升至89.30分，主榜升至82.42分。核心发现显示两个主榜维度出现反向剧烈波动。
豆包 Pro 材料约束暴跌15.9分 主榜下滑7.2分
豆包 Pro 今日 Smoke 评测中材料约束从80.20分跌至64.30分，下降15.9分，主榜从91.09分降至83.94分。代码执行保持100.00分不变，任务表达下滑8.3分至91.70分。诚信评级维持pass。
Claude Opus 4.7材料约束暴跌15.9分 主榜单日下滑7.2分
今日Smoke评测中，Claude Opus 4.7代码执行维持100.00分不变，材料约束从80.20分跌至64.30分，主榜从91.09分降至83.94分。工程判断侧榜跌25分，任务表达侧榜升16.7分。单日10题测试下，材料约束大幅波
GPT-5.5主榜暴跌21.4分 代码执行从97跌至75
GPT-5.5今日Smoke评测主榜从82.29分跌至60.87分，暴跌21.4分。代码执行97.00→75.00，材料约束64.30→43.60，工程判断维持100.00，任务表达91.70→81.70。诚信评级保持pass。
Grok 4 材料约束暴跌22.2分 主榜下滑5.2
Grok 4今日Smoke评测材料约束从100.00分跌至77.80分，下降22.2分，主榜从93.79降至88.64。代码执行升至97.50分，任务表达升至95.00分。单日10题测试下，维度得分剧烈波动最可能源于题目抽签。
Claude Sonnet 4.6材料约束暴跌33.6分 主榜下滑4.4
Claude Sonnet 4.6今日Smoke评测中材料约束从100.00跌至66.40，主榜从86.25降至81.86。代码执行反升19.5分至94.50，工程判断下滑17.5分。单日10题抽签下，材料约束大幅波动值得持续观察。
Grok 4 材料约束暴跌17.8分 代码执行反升18.5分 Smoke评测主榜仍涨2.2
Grok 4在今日Smoke评测中材料约束从100.00跌至82.20，代码执行从75.00升至93.50，主榜从86.25升至88.42。单日10题快测下，材料约束-17.8分的跌幅与代码执行+18.5分的涨幅形成明显反差，工程判断小降2
GPT-o3材料约束暴跌20分 主榜反升4.8分
GPT-o3今日Smoke评测中材料约束从70.00分跌至50.00分，工程判断从100.00分跌至50.00分，但代码执行从75.00分升至100.00分，主榜从72.75分升至77.50分。单日10题测试下，材料约束与工程判断同步大跌，
豆包Pro材料约束暴跌27.6分，代码执行却飙升49.3分
豆包Pro在今日Smoke评测中材料约束从85.90分跌至58.30分，降幅27.6分；代码执行从50.00分升至99.30分，升幅49.3分，主榜从66.16分升至80.85分。工程判断（侧榜，AI辅助评估）从100.00分跌至44.50
GLM-4.6材料约束暴跌21分，代码执行反升25分，主榜微涨4.3
GLM-4.6今日Smoke评测材料约束从74.30分跌至53.30分（-21），代码执行从50.00升至75.00（+25），主榜从60.94升至65.24（+4.3），工程判断从25.00升至95.80，诚信评级从pass变为warn。
GLM-4.6材料约束+28.2分却工程判断-39.6 诚信从fail升pass主榜反涨12.7
GLM-4.6今日Smoke评测主榜从48.25升至60.94，材料约束从46.10升至74.30，工程判断从64.60跌至25.00，任务表达从50.00跌至25.00，诚信评级从fail升至pass。单日10题抽签导致侧榜剧烈波动，主榜
GLM-4.6 探针得分 15.00 诚信 fail，主榜 48.25 分材料约束 46.10
2026-09-03 Run#307 中 GLM-4.6 诚信评级 fail，探针得分仅 15.00，主榜 48.25 分，代码执行 50.00，材料约束 46.10。其余 10 款模型全部 pass，探针得分 80-100。
Gemini 3.1 Pro 主榜暴跌10.8分 材料约束单日下滑14.4
Gemini 3.1 Pro今日Smoke评测主榜从96.60分跌至85.83分，降幅10.8分。其中材料约束从93.30分跌至78.90分，工程判断（侧榜，AI辅助评估）从75.00分跌至50.00分。代码执行降7.8分，任务表达升6.7
Grok 4主榜暴跌8.8分：代码执行从100掉到90.7
Grok 4今日Smoke评测主榜从96.99分跌至88.14分，代码执行下降9.3分至90.70，材料约束下降8.3分至85.00。工程判断小幅回升5.5分，诚信评级维持pass。单日10题测试下，此类波动需区分题目抽签与真实能力变化。
GPT-5.5 Smoke评测主榜暴跌9.1分 材料约束单日掉16.5
GPT-5.5今日Smoke评测主榜从95.01跌至85.93，下降9.1分。材料约束从88.90暴跌至72.40，代码执行小降3分，而工程判断从75升至100。主榜仅由代码执行与材料约束构成，此次下跌主要源于材料约束失分。
GPT-o3 Smoke评测主榜暴跌10.1分 材料约束单日崩22.4分
GPT-o3今日Smoke评测主榜从100.00跌至89.92分，材料约束从100.00骤降至77.60分（-22.4），代码执行维持100.00分，工程判断升至95.80分。单日10题快测中材料约束维度2题表现拉低整体，需观察是否为抽签波
豆包Pro材料约束暴跌20.5分 代码执行却飙升25
豆包Pro今日Smoke评测中材料约束从100.00跌至79.50，主榜却从86.25升至90.78。代码执行从75.00升至100.00，工程判断从100.00跌至75.00。单日10题抽签波动可能是主因，需观察后续一致性。
Claude Sonnet 4.6材料约束暴跌20.5分 代码执行却冲到100
今日Smoke评测中，Claude Sonnet 4.6材料约束从100.00跌至79.50，降20.5分；代码执行从73.70升至100.00，主榜反升5.2分至90.78。工程判断（侧榜，AI辅助评估）跌39.5分。单日10题抽样波动或
DeepSeek V4 Pro材料约束暴跌18.4分，代码执行反升11.1分
DeepSeek V4 Pro今日Smoke评测中材料约束从81.70分跌至63.30分，降幅18.4分，主榜仅微降2.2分至80.46分。代码执行却从83.40分升至94.50分，工程判断从75.00分跌至50.00分。单日10题快测下，