Gemini 3.1 Pro代码执行暴跌27.2分 主榜下滑6.5
Gemini 3.1 Pro今日Smoke评测中代码执行从91.70分跌至64.50分，降幅27.2分，主榜从82.39分降至75.89分。材料约束则从71.00分升至89.80分，工程判断保持100分不变。
材料约束 相关资讯
GPT-6.1 Sol材料约束暴跌19分，代码执行却暴涨25分
今日Smoke评测中，GPT-6.1 Sol材料约束从89.30分跌至70.30分，降幅19分；代码执行从72.00分升至97.00分，涨幅25分；主榜从79.79分升至84.99分。工程判断升25分至100.00分，任务表达降5分至79.
GPT-6 Astra材料约束暴跌19分 执行却飙升25分 主榜逆涨5.2
GPT-6 Astra今日Smoke评测中材料约束从89.30分跌至70.30分，降幅19分；代码执行从72.00分升至97.00分，升幅25分；主榜从79.79分升至84.99分，净涨5.2分。单日10题抽签导致的波动仍是首要可能因素。
GPT-6 Luna材料约束跌20分代码执行涨41.7分 主榜升13.9分
今日Smoke评测中GPT-6 Luna材料约束从95.00分跌至75.00分，代码执行从58.30分升至100.00分，主榜从74.82分升至88.75分。工程判断维持100.00分，任务表达升至87.50分，诚信评级保持pass。分析显
Claude Opus 4.7材料约束暴跌15.9分 主榜反升5.8
Claude Opus 4.7今日Smoke评测主榜92.02分，材料约束从100.00跌至84.10（-15.9），代码执行从75.00升至98.50（+23.5），任务表达从84.70跌至45.60（-39.1）。小样本抽题波动与真实能
Claude Sonnet 4.6材料约束暴跌30.6分，代码执行反升25分
Claude Sonnet 4.6今日Smoke评测中，材料约束从93.30分跌至62.70分，降幅30.6分；代码执行则从50.00分升至75.00分。主榜得分69.49分与69.47分基本持平。工程判断升至100.00分，任务表达升至9
GPT-6 Sol材料约束暴跌33.3分 代码执行反升25分主榜微降
GPT-6 Sol今日Smoke评测中材料约束从88.30分跌至55.00分，降幅33.3分；代码执行从75.00分升至100.00分，主榜从80.99分微降至79.75分。单日10题快测下，材料约束与任务表达出现大幅波动。
Gemini 2.5 Pro 材料约束暴跌28分 代码执行却升至100分
Gemini 2.5 Pro今日Smoke评测中材料约束从100.00分跌至72.00分，代码执行从71.90分升至100.00分，主榜微升至87.40分。单日10题抽样导致的波动与真实能力退化需区分判断。
GLM-4.6 材料约束 100 分代码执行 41.70 分 诚信探针仅 15 分
GLM-4.6 在 2026-10-02 Smoke 快测中材料约束达到 100.00 分，代码执行仅 41.70 分，主榜 67.94 分，诚信评级 fail（探针 15.00）。当日 14 个模型中仅 GLM-4.6 触发诚信探针，其余
Qwen3 Max代码执行暴跌24分 主榜下滑7.4分
今日Smoke评测中Qwen3 Max代码执行从94.00分跌至70.00分，主榜从84.51分降至77.16分，材料约束则从72.90分升至85.90分。工程判断与任务表达两项侧榜得分上升，诚信评级维持pass。
GPT-o3代码执行暴跌21.8分 材料约束反升33.5分 主榜微涨
今日Smoke评测中，GPT-o3代码执行从93.80分跌至72.00分（-21.8），材料约束从49.30分升至82.80分（+33.5），主榜从73.78分升至76.86分，诚信评级由warn转为pass。单日10题抽签导致的波动是主因
豆包 Pro 主榜暴跌 9.8 分，材料约束单日掉 13.7
豆包 Pro 在今日 Smoke 评测中主榜从 92.85 分跌至 83.00 分，代码执行降 6.7 分至 92.00，材料约束降 13.7 分至 72.00，工程判断从 100.00 跌至 75.00，任务表达升 8.3 分至 100.
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-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
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。