GLM-4.6 WDCD飙升12.1分登顶 GPT-o3跌9.1分 5升4降守约洗牌
本期WDCD v3.1试点中,GLM-4.6守约总分升12.1分至88.60登顶,GPT-o3跌9.1分,DeepSeek V4 Pro升8.9分,5模型上升4模型下降。Claude Sonnet 4.6跌7分仍列第三。数据来自worst-
本期WDCD v3.1试点中,GLM-4.6守约总分升12.1分至88.60登顶,GPT-o3跌9.1分,DeepSeek V4 Pro升8.9分,5模型上升4模型下降。Claude Sonnet 4.6跌7分仍列第三。数据来自worst-
GLM-4.6以88.60分位列WDCD v3.1守约总榜第一,豆包Pro以65.40分垫底。15个模型中头部与尾部差距达23.2分,R3崩溃率仅6%,满分率44.7%。数据揭示不同模型在多轮施压下的约束维持能力存在显著差异。
GLM-4.6 在 2026-11-12 Run#423 赢政指数 Smoke 快测中,主榜 53.40 分、代码执行 25.00 分、材料约束 88.10 分,诚信评级 fail(探针 25.00)。同日其余 13 个模型全部通过诚信探针
GLM-4.6今日Smoke评测因API故障/超时导致communication维度缺失,代码执行25.00分、材料约束50.00分、工程判断25.00分,主榜36.25分未参与排名。单日10题快测波动正常,但本次数据不完整需关注是否为模型
GLM-4.6 在 2026-10-23 Smoke 快测中诚信评级 fail,探针得分 0.00,主榜 18.25 分,代码执行 25.00 分,材料约束 10.00 分。同日其余 13 个模型全部 pass,探针得分 65-100 分。
GLM-4.6今日Smoke评测中材料约束从80.20分跌至50.00分,降幅30.2分,代码执行却从25.00分升至47.00分,主榜仅微降1.5分至48.35分。工程判断直接归零,任务表达持平25.00分。
GLM-4.6以WDCD 100.00分登顶,豆包Pro仅62.00分垫底,15模型中满分率66%,R3崩溃率2%。头部与尾部差距达38分,揭示不同模型在多轮施压下的约束维持能力差异。
GLM-4.6今日Smoke评测因API故障导致grounding与judgment维度缺失,代码执行得分19.50分,任务表达50.00分,主榜无数据,本期不参与排名。需分析波动成因及关注必要性。
GLM-4.6今日Smoke评测因API故障/超时数据不完整,代码执行58.30分、材料约束100.00分、工程判断75.00分,主榜74.00分,未参与排名。分析显示API问题最可能是低分主因,需重点关注。
本期WDCD v3.1试点仅GLM-4.6上升26分、GPT-5.5上升10.5分,无模型下降。GLM-4.6现WDCD 87.55进入前三,Grok 4仍以95.69领先。数据揭示多轮施压场景下约束保持能力的显著分化。
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
GLM-4.6今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据完全缺失,已进入自动补跑,本期不参与主榜排名。单日10题快测中此类技术中
GLM-4.6今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据完全缺失,已进入自动补跑,本期不参与排名,所有得分显示为“-”,无昨日对
2026-W37 Smoke 数据显示,Grok 4 从 80.13 升至 87(趋势 +6.9,均值 85.8),GPT-o3 趋势 +7.7,豆包 Pro 均值最高达 86.3;GLM-4.6 从 83.49 跌至 0(趋势 -83.5
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
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。
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。
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
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。