Qwen3 Max主榜暴跌8.4分 材料约束单日掉16.5

Qwen3 Max今日Smoke评测主榜从95.34分跌至86.98分，降幅8.4分。其中材料约束从93.30分跌至76.80分，降16.5分，工程判断与任务表达侧榜跌幅更大。数据指向题目抽签波动与模型在特定约束场景下的不稳定。

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。

GLM-4.6诚信评级从Pass变Fail 任务表达暴跌25分主榜反升12.8

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大降形成核心冲突。

Gemini 3.1 Pro以94.74分居首：2026-08-11 Smoke快测数据简报

2026-08-11 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 3.1 Pro 以 94.74 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以87.2分居首：2026-08-10 Smoke快测数据简报

2026-08-10 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 87.2 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 Sonnet 4.6 涨 8.8 分，豆包 Pro 跌 16 分：WDCD v3.1 守约分化

Claude Sonnet 4.6 WDCD 分数从上期上升 8.8 至 83.72，豆包 Pro 下降 16 分，GPT-5.5 上升 5 分。Grok 4 以 91.04 保持首位，v3.1 试点显示多轮施压下守约生存差异扩大。

WDCD横评：数据边界全场景最低，11模型平均分仅2.8，doubao-pro 1.4分崩盘

WDCD v3.1五场景横评显示，数据边界全体得分最低，doubao-pro仅1.4/4垫底；业务规则区分度最大，deepseek-v4-pro拿下4/4满分。claude-sonnet-4.6工程规范4/4却业务规则仅2.55/4，暴露明显偏科。企业接入生产流程时，数据边界与安全合规需额外护栏。

WDCD三轮锚点：豆包Pro 32%全崩Grok零崩溃，34次零分暴露守约裂痕

v2锚点题数据显示，11模型中豆包Pro R3崩溃率32%，Grok 4为0%；R3完全崩溃34/275次。R1确认率90%但R3诚信率仅44.4%，揭示多数模型先确认后崩盘的典型模式，仅限8道v2题口径。

WDCD守约榜Grok 4 91.04分夺冠 豆包Pro 58分垫底差距33分

Grok 4以91.04分位居WDCD守约榜首，豆包Pro仅58分垫底，R3施压轮崩溃率达12.4%。11个模型中头部与尾部差距超过33分，Claude Sonnet 4.6单期提升8.8分，GPT-5.5提升5分。数据揭示多轮渐进施压下模型真实守约差异，对企业生产接入具有直接参考价值。

Qwen3 Max主榜单日暴跌10.2分，材料约束暴跌21.5分成主因

Qwen3 Max今日Smoke评测主榜从96.04分跌至85.82分，降幅10.2分。其中材料约束从91.20分跌至69.70分，降幅21.5分；代码执行仅降1分。任务表达侧榜反升32.2分。数据指向材料约束维度异常波动。

DeepSeek V4 Pro材料约束单日跌19.5分 主榜下滑7.6分

DeepSeek V4 Pro今日Smoke评测材料约束从89.50分跌至70.00分，主榜从94.07降至86.50分，代码执行反升至100.00分。单日2题抽样导致的波动需重点关注。