GPT-o3以96.93分居首：2026-08-18 Smoke快测数据简报
2026-08-18 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 96.93 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
DeepSeek V4 Pro代码执行暴跌41.7分 主榜单日跌19.2
DeepSeek V4 Pro今日Smoke评测主榜从70.44分跌至51.24分，代码执行从66.70分直接跌至25.00分，材料约束反而升至83.30分。单日41.7分降幅远超正常抽签波动范围，需持续观察。
Claude Opus 4.7 与 Grok 4并列96.99分：2026-08-17 Smoke快测数据简报
2026-08-17 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Grok 4 以 96.99 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Claude Sonnet 4.6代码执行从100分跌至75分 主榜下滑5.5分
今日Smoke评测中，Claude Sonnet 4.6代码执行从100.00分降至75.00分，材料约束从56.70分升至75.00分，主榜从80.52分跌至75.00分。工程判断（侧榜，AI辅助评估）从100.00分降至60.50分。单日10题测试下，此类波动需结合多日数据判断是否为抽签影响。
Claude Opus 4.7代码执行75.00分 材料约束100.00分 主榜反升3.7
Claude Opus 4.7今日Smoke评测代码执行从99.60分跌至75.00分，材料约束从61.70分升至100.00分，主榜从82.55分升至86.25分。工程判断降11.1分，任务表达持平。单日10题抽样波动或为主要原因，需持续观察一致性。
Claude Opus 4.7 周均 82.3 分波动仅 20.7，DeepSeek V4 Pro 下跌 16.8 分
2026-08-10 至 2026-08-16 Smoke 数据显示，Claude Opus 4.7 以 82.3 均分、20.7 波动领跑且稳步上升；DeepSeek V4 Pro 从 87.2 跌至 70.44，波动高达 88；GLM-4.6 出现 pass→fail→pass 诚信波动；GPT-5.5 上升 27.9 分但均分 72.1。
Claude Opus 4.7 与 GPT-5.5 与 GPT-o3 与 Grok 4并列86.25分：2026-08-16 Smoke快测数据简报
2026-08-16 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 GPT-5.5 与 GPT-o3 与 Grok 4 以 86.25 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
DeepSeek V4 Pro材料约束55.60分代码执行维度缺失 Smoke测试主榜排名落空
DeepSeek V4 Pro今日Smoke评测因API故障导致代码执行维度数据缺失，材料约束得分55.60分，工程判断50.00分，任务表达62.50分，主榜未参与排名。单日10题快测波动正常，但执行维度完全缺测需重点关注。
GPT-5.5材料约束暴跌15.2分 代码执行反涨30分 主榜升9.7
GPT-5.5今日Smoke评测中材料约束从65.80分跌至50.60分，降15.2分；代码执行从45.00分升至75.00分，涨30分；主榜从54.36分升至64.02分。工程判断升25分，任务表达降8.3分。诚信评级维持pass。
Claude Opus 4.7以82.55分居首：2026-08-15 Smoke快测数据简报
2026-08-15 赢政指数 Smoke 快测覆盖 9 个模型，Claude Opus 4.7 以 82.55 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Claude Opus 4.7以72.21分居首：2026-08-14 Smoke快测数据简报
2026-08-14 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 72.21 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Gemini 2.5 Pro 主榜暴跌9.1分，代码执行单日狂降29.6
Gemini 2.5 Pro今日Smoke评测主榜79.41分，较昨日下降9.1分。其中代码执行从99.60暴跌至70.00，材料约束则升至90.90。单日10题抽样导致的波动值得持续观察。
GPT-5.5 与 GPT-o3并列97.25分：2026-08-13 Smoke快测数据简报
2026-08-13 赢政指数 Smoke 快测覆盖 11 个模型，GPT-5.5 与 GPT-o3 以 97.25 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
WDCD v3.1周期追踪：豆包Pro+13.8 GPT-o3-11.6 守约排名大洗牌
WDCD v3.1试点数据显示，豆包 Pro 较 Run #271 上升 13.8 分，GLM-4.6 上升 9.9 分，Gemini 3.1 Pro 上升 6.8 分；DeepSeek V4 Pro 下降 8 分，GPT-o3 下降 11.6 分。当前 Top 5 中 Grok 4 以 94.80 分领先，GPT-o3 跌至 83.60 分。3 升 2 降格局下，守约能力分化直接影响生产流程接入决策。
业务规则场景最低仅1.55分，Claude资源限制崩盘2分
WDCD v3.1试点数据显示，业务规则场景全体得分最低，qwen3-max仅1.55/4垫底；claude-opus-4.7在数据边界拿4/4却在资源限制跌至2/4，差距达2分。11模型中资源限制与业务规则成为最易破防场景，企业接入生产流程需针对性加护栏。
R3 诚信率仅 59.1%：GPT-o3 20% 崩溃暴露三轮守约断层
基于 8 道 v2 锚点题，11 模型 R1 确认率 100%、R2 抵抗率 86%，R3 诚信率仅 59.1%，GPT-o3 R3 崩溃率达 20%。文章揭示模型先确认后崩盘的典型轨迹，并分析对生产流程接入的实际影响。
Grok 4 94.80 分登顶 WDCD，Qwen3 Max 69.20 分垫底差距 25.6 分
Grok 4 以 94.80 分位列 WDCD v3.1 守约榜第一，Qwen3 Max 69.20 分垫底，11 个模型中 R3 崩溃率仅 4.5%。头部与尾部相差 25.6 分，GPT-o3 R3 直接 0 分暴露高压场景脆弱性。数据揭示不同模型在多轮施压下的真实约束保留能力。
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。
Grok 4以98.41分居首：2026-08-12 Smoke快测数据简报
2026-08-12 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 98.41 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
豆包 Pro Smoke 评测数据全缺：API 故障主榜零参与
豆包 Pro 今日 Smoke 评测因 API 故障/超时导致 execution、grounding 等五维度数据缺失，已进入自动补跑，本期不参与主榜排名。单日 10 题快测出现完整数据丢失属于技术层面异常，而非题目抽签波动或模型退化。