Gemini 3.1 Pro Smoke 评测主榜暴跌 8.5 分，代码执行从 75 直接腰斩

Gemini 3.1 Pro 今日 Smoke 评测主榜从 80.99 分跌至 72.50 分，降幅 8.5 分。其中代码执行维度从 75.00 分腰斩至 50.00 分，材料约束反而升至 100.00 分，工程判断（侧榜，AI 辅助评估）从 100.00 分跌至 75.00 分。

DeepSeek V4 Pro代码执行暴跌23.7分 主榜下滑5.2点

DeepSeek V4 Pro今日Smoke评测代码执行从98.70分跌至75.00分，降幅23.7分，主榜从91.46分降至86.25分。材料约束却从82.60分升至100.00分，工程判断下滑11.1分。单日10题抽签导致的波动可能性高于模型真实退化。

Claude Opus 4.7 与 Gemini 2.5 Pro 与 GPT-5.5并列100分：2026-07-15 Smoke快测数据简报

2026-07-15 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 Gemini 2.5 Pro 与 GPT-5.5 以 100 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以91.46分居首：2026-07-14 Smoke快测数据简报

2026-07-14 赢政指数 Smoke 快测覆盖 11 个模型，DeepSeek V4 Pro 以 91.46 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 Smoke评测主榜暴跌16.9分 代码执行单日掉28分

DeepSeek V4 Pro今日Smoke评测主榜从96.99分跌至80.10分，降幅16.9分，主要源于代码执行从100.00分跌至72.00分。材料约束小降3.3分，工程判断反升25分。单日10题抽签下，此类波动需区分题目难度与模型真实变化。

Claude Opus 4.7主榜跌14分 代码执行从100降至69

Claude Opus 4.7今日Smoke评测主榜从96.99分跌至82.95分，代码执行维度从100.00分降至69.00分，材料约束升至100.00分。单日2题抽签导致的波动是主因。

Gemini 2.5 Pro以100分居首：2026-07-13 Smoke快测数据简报

2026-07-13 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 2.5 Pro 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。

WDCD全员正增长：DeepSeek暴涨23.6分 Grok以0.04分险胜

本次WDCD v3.1测试中9个模型全部实现正向提升，DeepSeek V4 Pro涨幅23.6分达到91.36分，Grok 4以91.40分位居第一。零模型下降，显示整体守约能力阶段性改善。

WDCD横评：安全合规场景最低分仅2.13，Grok-4与Qwen3-Max差距1.73分

WDCD v3.1试点显示，安全合规场景全体得分最低，Qwen3-Max仅2.13/4；Grok-4在业务规则与安全合规两项均超3.8分，资源限制场景区分度最小。企业生产接入需针对性加护栏。

R3 诚信率仅 50.7%：11 模型三轮锚点下的守约崩盘真相

在仅 v2 锚点题的采样下，11 个模型 R1 确认率 99%，R2 抵抗率 75%，R3 诚信率跌至 50.7%，28 次完全崩溃（0 分）。多约束场景与资源限制成为最易崩盘的触发点，暴露了“嘴上答应、身体诚实”的普遍模式。

Grok 4 91.40分领跑 WDCD 守约榜 Qwen3 Max 64.88垫底

Grok 4 以 WDCD 91.40 分成为本次守约测试冠军，Qwen3 Max 以 64.88 分垫底，头部四强均超 88 分而尾部仅 64.88 分，差距达 26.52 分。R3 崩溃率 10.2%，满分率 53.8%。

GLM-4.6材料约束暴跌25分 代码执行反升50分 Smoke测试主榜逆涨

GLM-4.6今日Smoke评测材料约束从50.00分跌至25.00分，降幅25分；代码执行从25.00分升至75.00分，主榜从36.25分升至52.50分。工程判断同步下滑19.5分。单日10题抽样下，需区分题目波动与真实能力变化。

Smoke 7天数据：Gemini 2.5 Pro趋势34.3分领涨，GLM-4.6波动40.5分最剧烈

2026-07-08至2026-07-12 Smoke评测显示，Gemini 2.5 Pro趋势上升34.3分至94.24分，豆包Pro上升20.2分至91.99分；GLM-4.6波动达40.5分且诚信评级从fail转为warn，GPT-o3唯一下降3.2分。数据揭示模型一致性差异显著。

Claude Opus 4.7 与 Claude Sonnet 4.6 与 DeepSeek V4 Pro 与 Grok 4并列96.99分：2026-07-12 Smoke快测数据简报

2026-07-12 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Claude Sonnet 4.6 与 DeepSeek V4 Pro 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 Opus 4.7 与 Claude Sonnet 4.6 与 GPT-o3并列81.44分：2026-07-11 Smoke快测数据简报

2026-07-11 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Claude Sonnet 4.6 与 GPT-o3 以 81.44 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。

Claude Opus 4.7 Smoke评测主榜暴跌19.3分 代码执行单日掉22分

Claude Opus 4.7今日Smoke评测主榜从90.51分跌至71.26分，下滑19.3分。代码执行从91.50分降至69.50分，材料约束从89.30分降至73.40分，工程判断却升至94.50分。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 主榜暴跌 8.4 分，材料约束单日跌 17.6 分

Grok 4 今日 Smoke 评测主榜从 87.66 分跌至 79.30 分，降幅 8.4 分，主要源于材料约束从 79.30 分跌至 61.70 分。代码执行仅降 0.8 分，工程判断反升 15.3 分，诚信评级从 pass 转为 warn。

GPT-o3以86.9分居首：2026-07-10 Smoke快测数据简报

2026-07-10 赢政指数 Smoke 快测覆盖 9 个模型，GPT-o3 以 86.9 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 材料约束暴跌16.8分，任务表达同步掉28.3分

今日Smoke评测中GPT-o3材料约束从83.60分跌至66.80分，任务表达从95.00分跌至66.70分，主榜整体下滑3.1分至80.39分。代码执行反升8.2分，工程判断持平75.00分，诚信评级维持pass。

Qwen3 Max材料约束暴跌15.1分 代码执行反升18.4分

Qwen3 Max今日Smoke评测中材料约束从83.60分跌至68.50分，降幅15.1分，代码执行则从73.10分升至91.50分，主榜小幅升至81.15分。单日2题抽样导致的波动仍是主因，需持续观察下一期数据以确认是否为真实能力退化。

Claude Opus 4.7以90.51分居首：2026-07-09 Smoke快测数据简报

2026-07-09 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 90.51 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。

WDCD v3.1：DeepSeek V4 Pro涨26.2分，Claude Sonnet 4.6却跌5.9

本期WDCD v3.1测试中，9个模型得分上升，仅Claude Sonnet 4.6下降5.9分。DeepSeek V4 Pro上涨26.2分至94.00，GLM-4.6上涨21.8分至93.60，Grok 4以95.00继续位居第一。

WDCD v3.1五大场景横评：业务规则1.3分垫底，11模型偏科差距2.1

WDCD v3.1试点数据显示，业务规则场景全体得分最低，冠军仅3.5/4而qwen3-max仅1.3/4；doubao-pro工程规范与业务规则差距达2.1分。数据边界与安全合规成为高风险区，企业接入生产流程需针对性加护栏。

R3诚信率仅61.4%：Claude Sonnet崩盘率20%暴露三轮衰减断层

v2锚点题显示R1确认率95%、R2抵抗率73%、R3诚信率61.4%，Claude Sonnet 4.6 R3崩溃率20%最高，Grok 4与DeepSeek V4 Pro为0。数据仅来自8道v2锚点题，揭示部分模型先确认后崩盘的典型轨迹。

Grok 4 95分登顶 WDCD 守约榜 Claude Sonnet 4.6 64.1分垫底

Grok 4 以 WDCD 95.00 分位居第一，Claude Sonnet 4.6 以 64.10 分垫底，头部尾部差距 30.9 分。R3 崩溃率仅 4.5%，DeepSeek V4 Pro R3 满分 2.00/2 成关键拉分点。

DeepSeek V4 Pro以95.19分居首：2026-07-08 Smoke快测数据简报

2026-07-08 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 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。

Claude Opus 4.7 与 Grok 4并列96.99分：2026-07-07 Smoke快测数据简报

2026-07-07 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。

豆包 Pro以83.91分居首：2026-07-06 Smoke快测数据简报

2026-07-06 赢政指数 Smoke 快测覆盖 11 个模型，豆包 Pro 以 83.91 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 材料约束 25 分 代码执行 88.7 分 诚信探针归零

GLM-4.6 在 2026-07-05 Run#214 Smoke 快测中主榜 60.04 分，代码执行 88.70 分、材料约束 25.00 分，诚信评级 fail（探针 0.00）。该模型在 42 个金丝雀探针中全部触发，显示其将虚构实体当作真实引用来源。

豆包 Pro 与 Gemini 3.1 Pro并列88.54分：2026-07-05 Smoke快测数据简报

2026-07-05 赢政指数 Smoke 快测覆盖 11 个模型，豆包 Pro 与 Gemini 3.1 Pro 以 88.54 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。