Claude 19.8分最大增幅 WDCD八模型全线上涨无一下降

本期WDCD测试中8个模型全部上涨、零下降，Claude Opus 4.7增幅达19.8分，Gemini 3.1 Pro以93.57分登顶，Grok 4紧随其后92.86分。

WDCD横评：安全合规成最大短板，11模型最高仅3.57分

WDCD五场景测试显示安全合规全体得分最低，最高仅deepseek-v4-pro 3.57/4，claude-sonnet-4.6垫底2.57/4；gemini-3.1-pro在数据边界与资源限制双4分，grok-4在业务规则独得4分，doubao-pro工程规范领先。

Grok 4零崩溃碾压GPT-o3 17%崩盘 WDCD三轮衰减暴露真实韧性

WDCD三轮测试显示，R1平均确认率0.95，R2抵抗率0.82，R3平均诚信率仅1.63/2。Grok 4在R3保持1.83/2且零崩溃，而Claude Sonnet 4.6与GPT-o3各崩6次（17.1%），多约束场景成为最大崩盘诱因。

Gemini 3.1 Pro 93.57分 WDCD守约第一 文心一言4.5仅75.71分垫底

Gemini 3.1 Pro 以 WDCD 93.57 分位居首位，文心一言 4.5 以 75.71 分垫底。头部三名 R3 得分均超 1.69，尾部两名 R3 仅 1.34-1.54，R3 崩溃率达 8.8%。

Claude Sonnet 4.6 Smoke评测主榜暴跌25.9分 代码执行从100降至50

在赢政指数2026年6月Smoke评测中，Claude Sonnet 4.6主榜从96.45分跌至70.52分，代码执行维度从100.00直接腰斩至50.00。材料约束反而小幅上升3.5分，工程判断保持满分，诚信评级维持pass。

Claude Opus 4.7代码执行从100暴跌至50 主榜单日掉25.7分

赢政指数今日Smoke评测中，Claude Opus 4.7代码执行从100.00分跌至50.00分，主榜从97.12分降至71.47分，单日暴跌25.7分。材料约束小幅回升，工程判断和任务表达保持高位，诚信评级仍为pass。

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

2026-W26 Smoke日测数据显示，文心一言4.5从98.74跌至61.52，趋势-37.2；Claude Sonnet 4.6、Claude Opus 4.7波动分别达28.4和28.5。豆包Pro持平，诚信评级改善模型仅两家。数据揭示多数模型末日得分集体回落，稳定性成为下周Full评测关键变量。

豆包Pro 98.61分登顶 Smoke评测，Claude执行-50分暴跌

2026-06-28 Smoke评测中，豆包Pro以执行100分、约束96.9分拿下主榜98.61分首位。Claude Opus 4.7与Sonnet 4.6执行从昨日100分骤降至50分，主榜分别下跌25.7分和25.9分。Gemini 3.1 Pro主榜升至91.21分，执行与约束均衡。

Claude Opus 4.7 97.12 分领跑，执行满分但材料约束 93.6 分拉低整体

2026-06-27 Smoke 评测显示，Claude Opus 4.7 以 97.12 分位居第一，代码执行 100 分、材料约束 93.6 分。Claude Sonnet 4.6 紧随其后，主榜 96.45 分。三个模型并列第三，主榜均为 83.37 分，执行 75 分、约束 93.6 分。文心一言 4.5 执行骤降 37.5 分。

Qwen3 Max代码执行暴跌50分，主榜仅降1.5分

Qwen3 Max在今日Smoke评测中代码执行从100.00分跌至50.00分，主榜从74.00分微降至72.50分。材料约束升至100.00分，诚信评级从fail转为pass，单日波动幅度达50分。

Claude Opus 4.7 Smoke评测主榜暴跌27.5分，代码执行从100直降50

Claude Opus 4.7今日Smoke评测主榜从100.00跌至72.50分，代码执行维度从100.00暴跌至50.00分，材料约束保持100.00不变，工程判断从83.40升至100.00，诚信评级维持pass。

4模型执行分暴跌至50，文心一言主榜狂掉34.1分

2026-06-24 Smoke评测中，文心一言4.5主榜暴跌34.1分至64.63，Claude Opus 4.7和Claude Sonnet 4.6分别下跌27.5分与24.4分，核心原因是代码执行从100直接跌至50。今日前三名DeepSeek V4 Pro、Gemini 3.1 Pro、Grok 4均拿下执行与约束双100。

Qwen3 Max Smoke评测主榜暴跌12分 诚信评级从pass转为fail

Qwen3 Max今日Smoke评测主榜从85.96分跌至74.00分，代码执行持平100.00分，材料约束从68.80分升至95.70分，但工程判断和任务表达双双大跌，诚信评级由pass转为fail。

Qwen3 Max主榜暴跌12分至74，诚信fail拉低整体

2026-06-23 Smoke评测显示，Qwen3 Max主榜74分暴跌12分，诚信从pass转为fail。Claude Opus 4.7、Gemini 3.1 Pro、Grok 4三模型以执行100、约束100拿下满分主榜。文心一言4.5主榜升至98.74，约束97.2但诚信warn。执行维度11模型全为100，材料约束成为唯一分差来源。

Gemini 2.5 Pro主榜暴跌28分，代码执行从100直接腰斩

Gemini 2.5 Pro在今日Smoke评测中主榜从99.28分跌至71.33分，暴跌28分，主要源于代码执行维度从100.00分直接跌至50.00分。材料约束微降1分，其他维度持平或微升，诚信评级维持pass。

Qwen3 Max材料约束暴跌26.7分，代码执行却升至100分

赢政指数今日Smoke评测显示，Qwen3 Max材料约束从95.50跌至68.80（-26.7），代码执行从68.80升至100.00（+31.2），主榜从80.82升至85.96（+5.1）。单日10题快测波动正常，但需区分抽签与真实退化。

文心一言主榜暴跌40.3分，Smoke评测揭露执行约束双崩

2026-06-22 Smoke评测显示GPT-5.5与GPT-o3主榜100分并列第一，文心一言4.5主榜仅47.98分暴跌40.3分，Gemini 2.5 Pro主榜71.33分大降28分，Qwen3 Max材料约束跌26.7分，执行与约束结构差异显著。

Qwen3 Max主榜暴跌19.2分，代码执行单日掉31.2分

赢政指数2026年6月Smoke评测显示，Qwen3 Max主榜从100分跌至80.82分，代码执行维度从100分降至68.80分，降幅31.2分。材料约束仅降4.5分，诚信评级维持pass。单日10题快测下，此类波动需区分抽签因素与真实能力变化。

Grok 4 趋势上涨19.8分领跑 Smoke 周报，Gemini 系列波动超28分

赢政指数 2026-W25 Smoke 7 天数据显示，Grok 4 趋势上涨 19.8 分至 100，DeepSeek V4 Pro 均值 98.7 分保持领先；Gemini 2.5 Pro 与 Gemini 3.1 Pro 波动分别达 28.3 分和 29 分，稳定性风险突出。

Qwen3 Max主榜暴跌19.2分 四模型执行约束双满分

2026-06-21 Smoke评测中，DeepSeek V4 Pro、Gemini 3.1 Pro、GPT-o3、Grok 4四模型主榜、执行、约束三项均为100分。Qwen3 Max主榜暴跌19.2分至80.82，执行维度从昨日高位跌至68.8，成为当日最大异常。

文心一言4.5 Smoke主榜暴跌22.2分 代码执行直接腰斩至50分

文心一言4.5今日Smoke评测主榜从93.25分跌至71.02分，暴跌22.2分。代码执行维度从94.10分直接跌至50.00分，材料约束小涨至96.70分。单日10题快测中，代码执行表现出现显著异常。

GPT-5.5 Smoke评测主榜暴跌20.5分，代码执行从100直降50

GPT-5.5今日Smoke评测主榜从93.03分跌至72.50分，暴跌20.5分。代码执行从100.00分腰斩至50.00分，材料约束则从84.50分升至100.00分。单日10题抽签导致的波动可能是主因，仍需持续观察。

GPT-5.5执行分暴跌至50 Gemini 3.1 Pro主榜狂掉28.3分

2026-06-20 Smoke轻量评测显示，GPT-5.5、Gemini 3.1 Pro等四模型执行分集体跌至50，主榜分别暴跌20.5至28.3分。Claude Opus 4.7与Qwen3 Max以100分并列第一，执行与约束双满分。低分模型约束分仍维持96.7-100分，暴露执行维度成为今日最大分化点。

豆包 Pro 材料约束暴跌15.9分 Smoke单日测试异常成因

豆包 Pro 在今日 Smoke 评测中材料约束从 100.00 分跌至 84.10 分，主榜从 100.00 分降至 92.85 分。代码执行、工程判断、任务表达三项维持满分，诚信评级仍为 pass。

GPT-o3材料约束单日暴跌15.2分 Smoke主榜从100跌至93.16

GPT-o3今日Smoke评测材料约束从100.00分跌至84.80分，主榜从100.00降至93.16分。代码执行、工程判断、任务表达三项保持满分，诚信评级维持pass。单日10题快测下，此类波动是否反映真实退化值得追踪。

Smoke评测：Qwen3 Max约束+23分逆袭，GPT-o3材料约束暴跌15.2分

2026年6月19日Smoke评测显示，Gemini 3.1 Pro以99.28分继续领跑。Qwen3 Max约束从昨日大幅提升23分，主榜升至97.35分；GPT-o3和豆包Pro材料约束分别暴跌15.2分和15.9分，暴露结构脆弱性。

Grok 4材料约束暴跌25.6分 主榜却逆势升至87分

在赢政指数今日Smoke评测中，Grok 4材料约束从96.70分跌至71.10分，降幅25.6分，但代码执行升至100分、主榜升至87分。单日10题快测下，多维度剧烈波动更可能源于题目抽签而非模型退化。

Grok 4材料约束暴跌25.6分 四模型主榜满分并列

2026-06-18 Smoke评测中，Claude Opus 4.7等四模型主榜、执行、约束三项均达100分。Grok 4材料约束单日暴跌25.6分至71.1分，导致主榜仅87分，与满分模型差距13分。执行维度11模型中有10个满分，约束维度则明显分化。

WDCD三轮衰减实测：GPT-o3 R3崩溃率50% Qwen3 Max零崩盘

WDCD三轮测试显示，R1平均确认率0.96，R2抵抗率降至0.76，R3平均诚信率仅75.5%。GPT-o3 R3崩溃率达50%，而Qwen3 Max、Claude Sonnet 4.6、文心一言4.5实现零崩溃，暴露多约束场景下的诚信断崖。

Qwen3 Max 92.50分登顶 WDCD守约榜 豆包Pro 62.50分垫底差距30分

Qwen3 Max以92.50分位居WDCD守约排行榜首位，豆包Pro以62.50分垫底，头部与尾部相差30分。满分率47.3%，R3崩溃率16.4%。Claude Sonnet 4.6和DeepSeek V4 Pro分列二三位，GPT-o3和豆包Pro位居后两名。