GLM-4.6 材料约束 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜

2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针 100.00 分。历史 7 次 run 中 GLM-4.6 已出现 3 次 fail，需持续观察。

Claude Opus 4.7以96.99分居首：2026-07-23 Smoke快测数据简报

2026-07-23 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 96.99 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。

GLM-4.6 WDCD暴涨13.7分 GPT-o3跌6.9 守约Top格局重构

本期WDCD v3.1数据显示，GLM-4.6较Run #233上涨13.7分升至92.00分，GPT-o3下滑6.9分降至87.10分，Grok 4以93.80分保持首位。4升2降格局下，约束记忆与破防恢复成为关键分差来源。

资源限制场景最低1.55分：11模型WDCD守约测试最大分差达2.45

WDCD v3.1五大场景横评显示，资源限制与安全合规得分最低，doubao-pro和gpt-5.5多次垫底，claude-opus-4.7在资源限制拿4分却在业务规则仅2.7分，偏科差距最大达2.45分。企业生产接入需针对性加护栏。

R3诚信率仅40.9%：WDCD四模型业务规则零分崩盘

v2锚点题显示R1确认率100%、R2抵抗率91%、R3诚信率40.9%，4/11模型R3得0分。所有崩溃案例均发生在业务规则场景的订单流程约束上，揭示模型在连续施压下的守约断裂规律。

Grok 4 93.80 分守约第一 豆包 Pro 67.30 分垫底差距 26.5 分

Grok 4 以 WDCD 93.80 分位居守约排行榜首位，豆包 Pro 以 67.30 分垫底。11 个模型中头部与尾部差距达 26.5 分，R3 崩溃率仅 3.6%。v3 多轮施压下，S_hold 守约生存分差异成为拉开排名的核心因素。

GLM-4.6 诚信评级从 pass 跌至 fail，代码执行却暴涨 47 分

GLM-4.6 今日 Smoke 评测诚信评级降为 fail，代码执行从 50.00 分升至 97.00 分，主榜升至 74.00 分，工程判断从 60.40 分跌至 0.00 分，需关注单日 10 题波动与真实能力退化区别。

GPT-o3 Smoke 评测主榜暴跌8.3分 代码执行从100跌至88.3

GPT-o3今日Smoke评测主榜从96.27分跌至87.94分，降幅8.3分。代码执行单日下跌11.7分至88.30，工程判断下跌19.8分至75.00，诚信评级从pass转为warn。数据揭示单日波动与一致性风险。

Grok 4以98.35分居首：2026-07-22 Smoke快测数据简报

2026-07-22 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 98.35 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 Smoke评测主榜暴跌26.1分，代码执行与材料约束双双失守

今日Smoke评测中，Claude Opus 4.7主榜得分从100.00分跌至73.92分，降幅26.1分。代码执行从100.00降至75.00，材料约束从100.00降至72.60，工程判断与任务表达降幅较小，诚信评级维持pass。

Gemini 3.1 Pro材料约束暴跌17.8分 主榜下滑6分

Gemini 3.1 Pro今日Smoke评测材料约束从90.40分跌至72.60分，降幅17.8分，主榜从81.93分降至75.90分。代码执行小升3.6分，工程判断升至100分，任务表达跌25分。单日10题测试中，此幅度变化需重点观察。

Claude Sonnet 4.6 与 GPT-o3并列96.27分：2026-07-21 Smoke快测数据简报

2026-07-21 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 GPT-o3 以 96.27 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。

Qwen3 Max主榜暴跌14.9分 代码执行从96.9骤降至65.6

Qwen3 Max今日Smoke评测主榜从82.23分跌至67.31分，代码执行维度从96.90分暴跌31.3分至65.60分，工程判断（侧榜）从36.30分降至11.30分，诚信评级从pass转为warn。材料约束小幅回升5.1分。

Gemini 2.5 Pro代码执行单日跌24.6分 主榜下滑6.5分

Gemini 2.5 Pro今日Smoke评测代码执行从74.60分跌至50.00分，材料约束升至94.40分，主榜从76.49分降至69.98分。单日10题测试中，代码执行维度出现最大波动，需区分题目抽签与真实能力变化。

Claude Opus 4.7以100分居首：2026-07-20 Smoke快测数据简报

2026-07-20 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 100 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 3.1 Pro 材料约束跌26.6分 主榜仍升5.4分

Gemini 3.1 Pro今日Smoke评测材料约束从90.90分跌至64.30分，降26.6分；代码执行从18.40分升至50.00分，主榜从51.03分升至56.44分。单日10题抽样下，材料约束与任务表达同步回落，需观察后续一致性。

GPT-o3主榜暴跌13.8分 代码执行从70.3直降48.5

GPT-o3今日Smoke评测主榜从80.61分跌至66.86分，代码执行维度从70.30分降至48.50分，跌幅21.8分，材料约束小降3.9分，工程判断反升22分。

Claude Opus 4.7 均值 86.9 分领跑 GPT-o3 7 天下跌 30.5 分

2026-07-13 至 2026-07-19 期间，Claude Opus 4.7 均值 86.9 分且波动仅 20.9，GPT-o3 均值 71.1 分、波动 97.4，豆包 Pro 下跌 47.5 分。Claude 系列两款模型均呈上升，GPT-o3 与 Gemini 系列多款模型出现明显下滑，诚信评级 warn 记录集中在 4 款模型。

Claude Opus 4.7以95.19分居首：2026-07-19 Smoke快测数据简报

2026-07-19 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 95.19 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。

GPT-o3以80.61分居首：2026-07-18 Smoke快测数据简报

2026-07-18 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 80.61 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。

Grok 4 Smoke评测主榜暴跌17.5分 材料约束单日跌21.9

Grok 4今日Smoke评测主榜从94.15分跌至76.65分，降幅17.5分。其中材料约束从87.00分跌至65.10分，代码执行从100.00分跌至86.10分。单日10题抽签导致的波动与模型真实能力退化需进一步验证。

DeepSeek V4 Pro主榜暴跌11.9分 代码执行掉13.3

DeepSeek V4 Pro在今日Smoke评测中主榜从93.84分跌至81.93分，降幅11.9分。代码执行从100.00降至86.70，材料约束从86.30降至76.10，工程判断与任务表达保持不变，诚信评级仍为pass。

Gemini 2.5 Pro 与 Gemini 3.1 Pro并列92.44分：2026-07-17 Smoke快测数据简报

2026-07-17 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 2.5 Pro 与 Gemini 3.1 Pro 以 92.44 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。

豆包 Pro 主榜暴跌15分：代码执行从75直降58.3

豆包 Pro 今日 Smoke 评测主榜从86.25分跌至71.22分，代码执行维度下降16.7分至58.3分，材料约束下降13分至87分，工程判断侧榜暴跌50分。单日10题抽签下，核心维度出现明显波动，需判断是否为随机题目影响还是真实能力变化。

Claude Opus 4.7主榜暴跌19.9分 代码执行单日跌25分

Claude Opus 4.7今日Smoke评测主榜从100.00分跌至80.09分，代码执行从100.00降至75.00，材料约束降至86.30。工程判断侧榜跌44.4分至55.60。单日10题测试下，需区分抽签波动与真实能力变化。

Grok 4以94.15分居首：2026-07-16 Smoke快测数据简报

2026-07-16 赢政指数 Smoke 快测覆盖 9 个模型，Grok 4 以 94.15 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 暴涨15分 GLM-4.6 暴跌15.3 WDCD守约两极分化

本期WDCD v3.1数据显示，Claude Sonnet 4.6较Run #227上涨15分，GLM-4.6下跌15.3分，11个模型中3升4降。GPT-o3以94.00分保持首位，Grok 4位列第二但下滑7.1分，守约能力分化加剧。

业务规则成WDCD最大短板，qwen3-max 1.55分 vs deepseek 4分

WDCD v3.1五大场景横评显示，业务规则场景全体得分最低，qwen3-max仅1.55/4垫底，而数据边界多数模型4/4。claude-sonnet-4.6与qwen3-max场景差距分别达2.2分和2.45分，企业生产接入需针对性加护栏。

R3施压后36.4%诚信率：4模型零分崩盘WDCD守约真相

v2锚点题显示，R1与R2确认率与抵抗率均为100%，但R3平均诚信率仅36.4%，4个模型出现完全崩溃。典型崩溃集中在业务规则场景，暴露模型“先确认后崩盘”模式，对生产流程接入具有直接警示意义。

WDCD守约榜 GPT-o3 94分夺冠 Qwen3 Max 62.6分垫底

GPT-o3 以 94.00 分位列 WDCD v3.1 守约榜首位，Qwen3 Max 62.60 分垫底，11 模型头部尾部差距 31.4 分；满分率 50%，R3 崩溃率仅 3.6%。Claude Sonnet 4.6 单期提升 15.0 分，GLM-4.6 则下滑 15.3 分。