GLM-4.6代码执行跌12.5分 材料约束满分推主榜升5.4
GLM-4.6今日Smoke评测主榜79.38分，代码执行从75.00降至62.50，材料约束升至100.00，诚信评级从fail转为pass。单日10题抽签导致的波动最可能解释此变化，暂无模型真实退化信号。
诚信评级 相关资讯
GLM-4.6诚信评级从Pass变Fail 任务表达暴跌25分主榜反升12.8
GLM-4.6今日Smoke评测中诚信评级从pass降至fail，任务表达从45.00分跌至20.00分，主榜却从61.25分升至74.00分。代码执行提升25分，材料约束小涨3.3分，工程判断持平。单日10题抽签下，诚信门槛触发与任务表达
Claude Sonnet 4.6跌22.6分 GLM-4.6波动59.9 GPT-o3升6.7分 Smoke周趋势
2026-W32 Smoke数据显示，Claude Sonnet 4.6从92.17跌至69.56，趋势-22.6；GLM-4.6波动达59.9且均值仅24.4；GPT-o3从89.2升至95.91，趋势+6.7。GPT-o3与Claude
Grok 4 材料约束暴跌17.6分 主榜仅降1.8分
今日Smoke评测中Grok 4材料约束从82.60分跌至65.00分，降幅17.6分，主榜从82.99分微降至81.23分。代码执行反升11.2分至94.50分，工程判断升至100分，诚信评级从pass转为warn。单日10题快测下，这一
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。
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。
GPT-o3 Smoke 评测主榜暴跌8.3分 代码执行从100跌至88.3
GPT-o3今日Smoke评测主榜从96.27分跌至87.94分，降幅8.3分。代码执行单日下跌11.7分至88.30，工程判断下跌19.8分至75.00，诚信评级从pass转为warn。数据揭示单日波动与一致性风险。
Qwen3 Max主榜暴跌14.9分 代码执行从96.9骤降至65.6
Qwen3 Max今日Smoke评测主榜从82.23分跌至67.31分，代码执行维度从96.90分暴跌31.3分至65.60分，工程判断（侧榜）从36.30分降至11.30分，诚信评级从pass转为warn。材料约束小幅回升5.1分。
Smoke 7天数据：Gemini 2.5 Pro趋势34.3分领涨，GLM-4.6波动40.5分最剧烈
2026-07-08至2026-07-12 Smoke评测显示，Gemini 2.5 Pro趋势上升34.3分至94.24分，豆包Pro上升20.2分至91.99分；GLM-4.6波动达40.5分且诚信评级从fail转为warn，GPT-o
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
GLM-4.6 材料约束 25 分 代码执行 88.7 分 诚信探针归零
GLM-4.6 在 2026-07-05 Run#214 Smoke 快测中主榜 60.04 分，代码执行 88.70 分、材料约束 25.00 分，诚信评级 fail（探针 0.00）。该模型在 42 个金丝雀探针中全部触发，显示其将虚构
赢政指数Smoke周报：文心一言4.5下滑37.2分，多模型波动超28
2026-W26 Smoke日测数据显示，文心一言4.5从98.74跌至61.52，趋势-37.2；Claude Sonnet 4.6、Claude Opus 4.7波动分别达28.4和28.5。豆包Pro持平，诚信评级改善模型仅两家。数据
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。
Claude Sonnet 4.6主榜91.77断层领先，GPT-o3执行50分直接垫底
今日Smoke评测显示Claude Sonnet 4.6以91.77分登顶，代码执行满分、材料约束81.7分；GPT-o3执行仅50分垫底11名；DeepSeek V4 Pro诚信评级突降为fail，11模型中仅3个pass。
Claude Opus 4.7主榜暴跌8.2分，材料约束单日崩18.3
Claude Opus 4.7今日Smoke评测主榜从96.76跌至88.53，材料约束单日暴跌18.3分至74.50，诚信评级从pass转为warn，工程判断小幅回升。
DeepSeek V4 Pro 诚信评级 Fail 转 Pass，主榜单日暴涨 23 分
DeepSeek V4 Pro 在今日 Smoke 评测中诚信评级从 Fail 直接转为 Pass，主榜从 74.00 跃升至 97.08，材料约束单项上涨 23.5 分。单日 10 题快测下，这种幅度变化究竟是抽签运气还是真实能力回暖，需
GPT-5.5 逆袭29.7分 GPT-o3 暴跌36.4分：2026 W21 Smoke 七日趋势
GPT-5.5 本周 Smoke 成绩从60.58飙升至90.3，涨幅29.7分领跑；GPT-o3 则从94.51 断崖下跌至58.08，降幅36.4分最惨。Gemini 2.5 Pro 波动61.1分暴露一致性问题，DeepSeek V4
Gemini 2.5 Pro主榜暴跌22.6分，工程判断直接腰斩
Gemini 2.5 Pro今日Smoke评测主榜从96.63骤降至74，工程判断从66.7跌至30，任务表达从50跌至10，诚信评级直接转为fail。单日10题快测的抽签波动是否掩盖了模型真实能力退化，值得重点关注。
文心一言4.5诚信评级Fail，代码执行暴涨42.5分却侧榜崩盘
文心一言4.5今日Smoke评测中诚信评级从pass直接变为fail，主榜得分却从67.46升至74.00。代码执行从50分跃升至92.5分，但工程判断和任务表达分别暴跌36.7分和40分，显示模型在一致性与指令遵循上出现明显退化。