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

在赢政指数2026年6月23日至28日对11个模型的Smoke实测中，文心一言4.5从首日98.74分跌至末日61.52分，趋势-37.2，均值仅82.1，波动37.2，成为下滑幅度最大的模型。

多数模型末日集体回落

Claude Sonnet 4.6首日94.87分，末日70.52分，趋势-24.4，均值87.5，波动28.4。Claude Opus 4.7首日100分，末日71.47分，趋势-28.5，均值89.8，波动28.5。Gemini 2.5 Pro从96.18分跌至81.41分，趋势-14.8，均值90.9，波动22.6。Gemini 3.1 Pro从100分跌至91.21分，趋势-8.8，均值90.5，波动30.7。GPT-5.5从96.18分跌至84.18分，趋势-12，均值92.8，波动14.7。GPT-o3从96.81分跌至82.53分，趋势-14.3，均值91.6，波动17。Grok 4从100分跌至82.97分，趋势-17，均值93.3，波动18.5。DeepSeek V4 Pro从99.37分跌至87.35分，趋势-12，均值94.2，波动17.8。Qwen3 Max从74分跌至69.94分，趋势-4.1，均值81，波动28.1。只有豆包Pro从98.07分微升至98.61分，趋势0.5，均值95.8，波动16.6。

高波动模型需重点关注

文心一言4.5波动37.2、Gemini 3.1 Pro波动30.7、Claude Opus 4.7波动28.5、Claude Sonnet 4.6波动28.4、Qwen3 Max波动28.1，均超过28分。这些模型在7天内分数标准差较大，意味着同类题目多次回答结果差异明显。Smoke每日仅10题，样本虽小，但连续7天数据已显示末日得分普遍低于均值，说明模型在连续测试中一致性下降。

诚信评级变化释放信号

文心一言4.5诚信评级从warn转为pass，Qwen3 Max从fail转为warn再到pass。两家模型诚信评级均出现正向或稳定变化，但得分趋势仍为负值。诚信评级仅为准入门槛，不直接加分，评级改善后得分仍大幅下滑，说明模型能力波动独立于诚信维度。

下周Full评测可能走势

Smoke连续7天趋势显示，波动超过28分的模型在Full评测中大概率继续出现分数起伏。豆包Pro均值95.8且趋势0.5，可能是唯一能维持高位的模型。Claude系列、Gemini系列、GPT系列均值均在87.5至93.3区间，但末日得分已拉低整体表现。行业背景中，模型迭代通常伴随短期稳定性下降，当前数据支持这一推断。

连续7天Smoke数据表明，AI模型稳定性已从辅助指标变为决定性约束。

下周Full评测若延续相同题目分布，高波动模型的最终排名可能出现明显调整，豆包Pro则有机会凭借低波动优势保持领先。

数据来源：赢政指数 (YZ Index) | Run #201 | 查看原始数据