YZ Index
更新日志
全部评测执行的历史记录。追踪各评测的时间、类型、状态
2026-05-07 03:02 SGT
轻量评测
完成
2026-05-06 05:01 SGT
轻量评测
完成
WDCD smoke evaluation
2026-05-06 03:01 SGT
轻量评测
完成
2026-05-05 03:02 SGT
轻量评测
完成
2026-05-04 06:00 SGT
完全评测
完成
2026-05-04 03:02 SGT
轻量评测
完成
2026-05-03 04:24 SGT
轻量评测
完成
WDCD pilot evaluation
2026-05-03 04:00 SGT
轻量评测
完成
2026-05-02 03:03 SGT
轻量评测
完成
2026-05-02 02:55 SGT
轻量评测
完成
WDCD pilot evaluation
2026-05-01 16:06 SGT
轻量评测
完成
DCD pilot evaluation
2026-05-01 11:09 SGT
版本升级
WDCD 动态语境衰变 — 全球首个多轮约束评测维度上线
新增实验性维度：WDCD（Dynamic Contextual Decay）
赢政指数 v7 新增 WDCD 维度，测试 AI 模型在多轮对话中守住约束的能力。这是全球首个系统性评测该能力的框架。 **核心设计：三轮对话**R1 约束植入：给模型下达明确约束，确认理解
R2 干扰注入：2000-5000 字专业文档，嵌入违规请求
R3 压力诱导：社会工程话术施压，测试约束是否崩盘
**评测规模**
30 道多轮约束题，覆盖 5 类场景（数据边界、资源限制、业务规则、安全规约、工程约定）
11 个主流模型同台测试
100% 规则判分，零 AI 裁判，所有结果可审计
**判分机制**
R1: 0-1 分（确认检测）
R2: 0-1 分（违规检测 + Utility Gate）
R3: 0-2 分（违规 + 拒绝 + 约束引用 + 安全替代）
满分 4 分
**独立运行**
WDCD 为实验性维度，不计入主榜总分
使用独立评测轮次（run_type = dcd_pilot）
计划独立运行 3 个月后评估是否纳入主榜
**新增页面**
/yz-index/dcd — WDCD 排行榜与数据总览
/yz-index/dcd/about — 设计哲学与项目介绍
/yz-index/dcd/methodology — 技术方法论详解
/yz-index/dcd/cases — 完整案例集
**开放数据**
6 个 WDCD API 端点已开放，支持 JSON/CSV 导出
所有判分明细（命中规则、作用域、否定窗口降级）均可通过 API 获取
完整三轮对话原文开放查阅，欢迎独立验证
2026-05-01 06:20 SGT
模型变更
评测阵容重大升级：11 个模型更新至最新版本
2026 年 5 月 1 日起，赢政指数评测阵容全面升级：
【新增模型】
• GPT-5.5（替代 GPT-4o）— OpenAI 最新旗舰
• Claude Opus 4.7（替代 Opus 4.6）— Anthropic 最新旗舰
• DeepSeek V4 Pro（替代 V3 + R1）— DeepSeek 全新架构
• Gemini 3.1 Pro（新增）— Google 最新一代
• Qwen3 Max（替代 Qwen Max）— 阿里通义千问第三代
• 文心一言 4.5（替代 4.0）— 百度最新版本
• Grok 4（替代 Grok 3）— xAI 新旗舰
【保留模型】
• Claude Sonnet 4.6 — Sonnet 线最新版，继续参评
• GPT-o3 — OpenAI 推理线最新版，继续参评
• 豆包 Pro — 字节跳动旗舰，继续参评
【退役模型】
GPT-4o、GPT-4o-mini、Claude Opus 4.6、DeepSeek V3、DeepSeek R1、Gemini 2.0 Flash、Grok 3、Qwen Max、文心一言 4.0
历史评测数据完整保留，可在历史记录中查看。
【生效时间】
新阵容将在下一次 full run 评测中首次亮相。由于新模型无历史滚动均值，首次排名将基于单次评测结果，滚动均值需 5 次评测后趋于稳定。
评测阵容从 8 家服务商 11 个模型调整为 8 家服务商 11 个模型（结构优化）。
2026-05-01 03:01 SGT
轻量评测
完成
2026-04-30 03:01 SGT
轻量评测
完成
2026-04-29 03:02 SGT
轻量评测
完成
2026-04-28 03:02 SGT
轻量评测
完成
2026-04-27 04:18 SGT
完全评测
完成
2026-04-27 03:01 SGT
轻量评测
完成
2026-04-26 03:01 SGT
轻量评测
完成
2026-04-25 03:02 SGT
轻量评测
完成
2026-04-24 03:03 SGT
轻量评测
完成
2026-04-23 03:02 SGT
轻量评测
完成
2026-04-22 03:02 SGT
轻量评测
完成
2026-04-21 03:36 SGT
轻量评测
完成
2026-04-21 03:01 SGT
轻量评测
完成
2026-04-20 04:15 SGT
完全评测
完成
2026-04-20 03:01 SGT
轻量评测
完成
2026-04-19 03:01 SGT
轻量评测
完成
2026-04-18 11:04 SGT
轻量评测
完成
2026-04-17 03:02 SGT
轻量评测
完成
2026-04-16 03:01 SGT
轻量评测
完成
2026-04-15 03:02 SGT
轻量评测
完成
2026-04-14 03:01 SGT
轻量评测
完成
2026-04-13 04:19 SGT
完全评测
完成
2026-04-13 03:01 SGT
轻量评测
完成
2026-04-12 03:02 SGT
轻量评测
完成
2026-04-11 03:01 SGT
轻量评测
完成
2026-04-10 03:01 SGT
轻量评测
完成
2026-04-09 03:01 SGT
轻量评测
完成
2026-04-08 03:02 SGT
轻量评测
完成
2026-04-07 03:01 SGT
轻量评测
完成
2026-04-06 04:18 SGT
完全评测
完成
2026-04-06 03:01 SGT
轻量评测
完成
2026-04-05 03:01 SGT
轻量评测
完成
2026-04-04 03:31 SGT
轻量评测
完成
social_monitor
2026-04-04 03:01 SGT
轻量评测
完成
2026-04-03 03:01 SGT
轻量评测
完成
2026-04-02 03:01 SGT
轻量评测
完成
2026-04-01 03:01 SGT
轻量评测
完成
2026-03-31 03:01 SGT
轻量评测
完成
2026-03-30 04:16 SGT
完全评测
完成
2026-03-30 03:31 SGT
轻量评测
完成
social_monitor
2026-03-30 03:01 SGT
轻量评测
完成
2026-03-29 03:01 SGT
轻量评测
完成
2026-03-28 03:02 SGT
轻量评测
完成
2026-03-27 05:05 SGT
轻量评测
完成
2026-03-25 00:12 SGT
完全评测
完成
2026-03-25 00:11 SGT
轻量评测
完成
2026-03-24 16:44 SGT
完全评测
完成
2026-03-24 15:50 SGT
完全评测
完成
migration
2026-03-24 15:31 SGT
完全评测
完成
migration
2026-03-24 15:23 SGT
完全评测
完成
migration
2026-03-24 00:00 SGT
版本升级
赢政指数 v6 正式上线
方法论升级
题库从 200 题扩展至 212 题，新增 12 道诚信压力测试题
维度体系重构：主榜只包含「代码执行」和「材料约束」两个可审计核心维度
新增「工程判断」「任务表达」侧榜（标注 AI 辅助评估）
新增「诚信评级」门槛机制（pass/warn/fail），诚信不达标的模型主榜封顶
主榜公式：core_overall = 0.55 × 代码执行 + 0.45 × 材料约束
稳定性、可用性、性价比降级为运行信号，不再混入主榜权重
判分引擎
新增 exact_rank 判分器，支持诚信压力测试的封闭式排序判分
评测并行架构升级至 55 进程（11 模型 × 5 能力层），full run 耗时约 15 分钟
社交舆情监控（新功能）
每日自动监控 11 个模型在 X/Twitter 上的用户反馈
舆情异常时自动触发定向复测，与评测数据交叉验证
每日自动监控 AI 厂商官方账号动态
数据页重建
原始数据页重建为摘要 + 分页模式，页面大小从 29MB 降至 64KB
不再公开题目原文和预期答案，防止题库污染
SEO 与口径统一
全站旧维度名（编程/知识工作/长文本）统一替换为 v6 表述
清理参数页、旧路由等 SEO 污染 URL
2026-03-22 14:26 SGT
完全评测
完成
2026-03-22 14:05 SGT
轻量评测
完成
2026-03-22 11:38 SGT
完全评测
完成
migration
2026-03-21 14:09 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 13:29 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 12:11 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 09:55 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 07:53 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 04:24 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 01:21 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v4：从 89 题扩充至 100 题。添加 11 道高质量决策题目
2026-03-21 01:19 SGT
题库变更
题库 v4：新增 11 道高质量决策题
新增 11 道高质量决策题，覆盖矛盾信息识别（2题）、信息不足诚实度（2题）、优先级排序（2题）、利益冲突检测（2题）、代码 review 陷阱（2题）、伦理边界（1题）。总题库从 89 题扩充到 100 题。题库版本升级为 v4。
2026-03-21 01:05 SGT
模型变更
新增 3 个评测模型：Grok 3、豆包 Pro、文心一言 4.0
新增 3 个评测模型：Grok 3（xAI）、豆包 Pro（字节跳动）、文心一言 4.0（百度）。评测模型总数从 8 个增加到 11 个。
2026-03-21 01:05 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v3：从 80 题扩充至 89 题。新设工程判断力题目群（9 题）
2026-03-21 00:59 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v3：从 80 题扩充至 89 题。新设工程判断力题目群（9 题）
2026-03-20 12:55 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v3：从 80 题扩充至 89 题。新设工程判断力题目群（9 题）
2026-03-20 03:10 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v3：从 80 题扩充至 89 题。新设工程判断力题目群（9 题）
2026-03-19 09:57 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v3：从 80 题扩充至 89 题。新设工程判断力题目群（9 题）
2026-03-19 03:11 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v2：从 30 题扩充至 80 题（编程 33 + 知识 25 + 长上下文 22）
2026-03-18 03:11 SGT
轻量评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v2：从 30 题扩充至 80 题（编程 33 + 知识 25 + 长上下文 22）
2026-03-18 01:19 SGT
完全评测
完成
判定 v5：引入严格判定分层（strict/non-strict）：新设4种严格判定（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value）。严格题目仅 0 或 100
题库 v2：从 30 题扩充至 80 题（编程 33 + 知识 25 + 长上下文 22）
2026-03-17 11:23 SGT
完全评测
完成
判定 v4：评分规则微调。补充题库 v2 新题目对应的判定逻辑
题库 v2：从 30 题扩充至 80 题（编程 33 + 知识 25 + 长上下文 22）
2026-03-17 09:27 SGT
完全评测
完成
判定 v3：评分标准严格化：JSON验证检查嵌套字段的准确性、部分匹配改为比例计算、部分题目添加多种正确答案模式
题库 v1：初始题库 30 题。覆盖编程、知识业务、长上下文 3 个维度
2026-03-17 03:13 SGT
完全评测
完成
判定 v2：引入6种判定方法（全关键词匹配、部分匹配、完全匹配、正则表达式、顺序匹配、JSON结构验证）。正式评分体系建立
题库 v1：初始题库 30 题。覆盖编程、知识业务、长上下文 3 个维度
2026-03-17 03:10 SGT
轻量评测
完成
判定 v2：引入6种判定方法（全关键词匹配、部分匹配、完全匹配、正则表达式、顺序匹配、JSON结构验证）。正式评分体系建立
题库 v1：初始题库 30 题。覆盖编程、知识业务、长上下文 3 个维度
2026-03-17 02:12 SGT
完全评测
完成
判定 v2：引入6种判定方法（全关键词匹配、部分匹配、完全匹配、正则表达式、顺序匹配、JSON结构验证）。正式评分体系建立
题库 v1：初始题库 30 题。覆盖编程、知识业务、长上下文 3 个维度
2026-03-17 00:45 SGT
完全评测
完成
判定 v2：引入6种判定方法（全关键词匹配、部分匹配、完全匹配、正则表达式、顺序匹配、JSON结构验证）。正式评分体系建立
题库 v1：初始题库 30 题。覆盖编程、知识业务、长上下文 3 个维度