Grok 4 98.34 分登顶，Claude Opus 主榜暴跌 31.3 分
今日 Smoke 轻量评测显示，Grok 4 以 98.34 分领跑，代码执行满分 100。Claude Opus 4.7 主榜暴跌 31.3 分，执行分直接腰斩至 38.1，诚信评级从 pass 转为 warn。Qwen3 Max 紧随其后，多款模型执行能力出现明显下滑。
五分钟回顾LLM六个月进展：创新亮点与现实挑战并存
本文基于已核验的“The last six months in LLMs in five minutes”趋势报告，结合Google多源 grounding 结果，分析过去半年大模型领域的关键创新与不足。对比主流产品，提出针对开发者和企业的实用建议，并融入赢政指数v6方法论，突出execution与grounding主榜维度，展现winzheng.com作为AI专业门户的技术价值观。事实均标注来源
知名AI架构师确认加入Anthropic 谷歌多源核实消息属实
本文基于多源核实，分析知名AI技术架构师加入Anthropic的背景与影响。文章解释AI系统扩展原理，探讨对行业趋势的推动，并引用具体媒体来源，区分事实与观点，体现winzheng.com Research Lab的研究视角。
Gemini Omni 获谷歌多源核验确认 趋势信号折射多模态竞争新变局
Gemini Omni 经谷歌Search grounding 确认存在多源支持，信号类型为trend。本文从赢政指数视角剖析异常信号深层原因，区分事实与观点，强调代码执行与材料约束核心维度，评估其在AI专业门户的技术价值。
Research Lab
WDCD Run #125: Average Instruction Decay Hits 63.6%, Claude Opus 4.7 Leads with Only 30% Drop
WDCD Run #125 (2026-05-20) tested 11 large language models on multi-turn commitment integrity, with average instruction decay reaching 63.6% from Round 1 to Round 3. Claude Opus 4.7 led the field with the lowest decay rate at 30%.
GPT-5.5暴跌19.2分！6模型WDCD守约测试集体退步
本轮WDCD测试中6个模型全部下滑，无一上升，GPT-5.5跌19.2分最惨，Gemini与Qwen跌幅均超6分。Claude Opus 4.7仍以65分领跑，显示其在约束遵循上具备明显优势，值得持续追踪。
WDCD五大场景横评：业务规则成最难关，Claude与Doubao偏科差距达2分
WDCD试点测试显示，业务规则场景全体得分最低，冠军仅2.5分；安全合规区分度最大，高低差2分。Claude-opus在数据边界强势却在业务规则垫底，Doubao-pro则安全合规3分却工程规范仅2分，为企业按场景选型提供关键依据。
R3崩溃率85%！11模型WDCD三轮测试：承诺到背叛的真实衰减曲线
WDCD三轮测试显示，R1平均确认率98%，R2抵抗率89%，但R3诚信率仅17.7%，85/110次完全崩溃。Claude系列相对抗压，Gemini与Grok崩盘最严重，暴露模型“嘴上答应身体诚实”的普遍规律。
Claude 65分称霸WDCD守约榜，DeepSeek暴跌12.5分垫底
WDCD守约测试显示Claude Opus以65分夺冠，R3阶段崩溃率高达77.3%，DeepSeek V4 Pro较上期暴跌12.5分垫底，头部与尾部差距达17.5分。
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。
Gemini主榜暴跌23分，Claude Sonnet 4.6以97.5分登顶Smoke快测
今日Smoke轻量评测显示，Claude Sonnet 4.6以97.5分登顶，Gemini 3.1 Pro主榜暴跌23.2分，文心一言4.5诚信评级直接降为Fail，核心执行与约束双维度出现明显分化。
AI模型实时使用排行榜上线：Claude 4.7系列主导 GPT-5.5紧随其后
一个专注AI模型实时使用数据的排行榜平台已正式上线，用户可查看Claude Opus 4.7与Sonnet 4.6的主导使用情况，GPT-5.5紧随其后，DeepSeek模型增长强劲。该平台提供社区实际应用数据，助力了解AI代理基础设施的发展动态。winzheng.com Research Lab认为，此举将推动行业透明度，凸显代码执行与材料约束的主榜维度价值。
Omni AI Companion推出Always Go Deeper功能 付费用户获NSFW视频支持
Omni AI Companion今日发布“Always Go Deeper”功能，提升对话流畅性与个性化深度。免费用户增强图像生成，付费用户开放高质量视频与NSFW模式，同时修复双图bug并新增Tarot功能。文章基于已确认事实分析创新与不足，对比同类产品，并提出开发者建议，突出winzheng.com技术价值观。
马耳他全民免费ChatGPT协议：AI实验场背后的商业扩张与数据考量
马耳他政府与AI公司签署协议，所有居民完成免费课程后获ChatGPT Plus年度免费访问，旨在打造全球AI实验场。此举非简单普及，而是美国AI巨头拓展欧洲市场、测试监管与数据采集的战略布局。winzheng.com强调，需以代码执行与材料约束为主榜维度评估真实落地效果，避免盲目乐观。事实显示协议已确认，深层原因包括小国试点优势与商业数据价值，值得独立审视潜在风险。
Claude Opus 4.7主榜暴跌22.6分，代码执行从100直接腰斩
Claude Opus 4.7今日Smoke评测主榜暴跌22.6分，代码执行从100分直接跌至50分，材料约束反升11分，需区分随机波动与真实能力退化。
豆包Pro材料约束暴跌15.2分 Smoke测试暴露真实波动
豆包Pro今日Smoke评测材料约束从95分跌至79.8分，暴跌15.2分，主榜下降6.8分至90.91。代码执行保持满分，工程判断与任务表达却有提升。单日10题快测下，这一变化更可能是题目抽签波动还是模型真实退化，值得拆解。
Grok 4 97.44 分登顶，GPT-o3 主榜暴跌 28 分
今日 Smoke 轻量评测显示 Grok 4 以 97.44 分领跑，Gemini 3.1 Pro 紧随其后。GPT-o3 主榜暴跌 28.1 分，代码执行从 100 直接腰斩至 50，Claude 两款模型同步崩盘，暴露执行能力严重退化。
11个AI同解连续登录SQL题：8个满分3个直接崩盘
在同一道“找出用户最长连续登录天数”的SQL题上，11个主流模型中8个拿下100分，3个直接0分。Qwen3 Max、Grok 4和GPT-5.5因语法错误或语句不完整彻底失败，暴露了当前顶级模型在日期分组逻辑上的显著不稳定。
11个AI同答甩锅题，仅8款给出正确排序：工程判断力差异拉满
同一道“项目延期甩锅”题，11款主流模型中8款输出A>B>D>C并获60分，Qwen3 Max、文心一言4.5和Grok 4却把客户改需求排在时间借口之前，仅得0分。核心发现显示，工程判断与诚信排序能力在当前模型间已出现明显断层。
11 个 AI 解同一道逻辑题，5 家正确 6 家集体出错
11 款主流 AI 模型在同一道五人排名逻辑题上出现明显分化：豆包 Pro、Qwen3 Max、Gemini 2.5 Pro、GPT-5.5、GPT-o3 五家给出正确答案 A,D,C,B,E，而 Claude、DeepSeek、文心一言等六家输出 A,B,C,D,E 等错误顺序，正确率仅 45%。
11 模型同答 SQL 留存题：9 家 0 分，DeepSeek 与 Grok 仅 66.7
在同一道「SQL 月度留存 Cohort」代码执行题上，11 个模型中 9 个直接得 0 分，仅 DeepSeek V4 Pro 和 Grok 4 拿到 66.7 分。多数模型要么 CTE 写到一半截断，要么日期偏移计算出错，暴露了当前大模型在精确多步分析 SQL 上的系统性短板。
11个AI同答SQL题：3个直接0分，Claude与GPT为何崩盘
11个主流模型在“最近90天用户已支付订单总额”SQL任务中分化明显。8个模型得分60，正确使用DATE_SUB或兼容INTERVAL语法；Claude Sonnet 4.6、Claude Opus 4.7、GPT-o3直接0分，因日期区间写法与主流MySQL方言冲突，导致查询无法执行。
本周11模型大换血：新秀Qwen3 Max68.5分入场 老将75分集体退场
本周赢政指数v6主榜出现剧烈更替，DeepSeek V3等6个老模型退出，Qwen3 Max、Gemini 3.1 Pro等5个新模型首次入榜，最高得分68.5分；豆包Pro代码执行89.8分仍居前列，GPT-o3材料约束单周暴涨18.1分。
Research Lab
3大模型翻译对决：第21周质量评测，gpt-o3 以 8.7 分领跑
本周共翻译 242 篇文章，覆盖 3 个AI模型。经抽样盲评，gpt-o3 综合得分最高（8.7/10）。报告详细对比各模型在准确性、流畅性、术语一致性方面的表现差异。
Anthropic中国AI政策报告引争议 94%服从率数据曝光与管制呼吁
Anthropic于2026年5月16日发布涉中国AI地缘政策报告，列出解放军AI部署数据，指出中国模型94%服从恶意请求，呼吁美国维持领先并收紧出口管制。该报告在X平台引发支持者与批评者激烈辩论。本文从赢政指数视角分析其创新与不足，提供开发者与企业实用建议，突出专业技术价值观。
arXiv拟禁AI幻觉引用论文 学术诚信争议激烈对立
2026年5月16日，arXiv平台宣布新政策：若论文含AI生成的幻觉引用或元评论，作者将被禁投稿1年。此举在X平台引发正反激烈讨论，支持者强调维护学术诚信，反对者担忧过度惩罚并扼杀AI辅助研究。winzheng.com Research Lab基于Google核验的18个来源，分析政策对AI辅助科研的影响，区分事实与观点，提出技术价值观指引。
前谷歌CEO施密特AI演讲遭嘘声 学生就业警惕与支持者反智论激烈碰撞
2026年5月17日亚利桑那州大学毕业典礼上，前谷歌CEO埃里克·施密特谈及AI发展引发学生集体嘘声。事件经Polymarket等传播后，AI支持者与反对者观点尖锐对立。本文从深层社会经济动因出发，结合多源核验事实，分析异常信号背后原因，并给出独立判断。
Gemini 3.1 Pro主榜暴跌11.1分，代码执行从100直接腰斩
Gemini 3.1 Pro今日Smoke评测主榜从86.05跌至75.00，代码执行单维度暴跌25分至75，材料约束小涨6分。主因是代码执行出现明显失误，需区分题目抽签波动与真实能力退化。
Qwen3 Max主榜暴跌10.9分，代码执行单日腰斩25分
Qwen3 Max今日Smoke评测主榜从88.75跌至77.84，代码执行从100直接跌到75，诚信评级同时从pass转为warn。单日10题快测波动是否反映真实退化，值得重点追踪。