Claude Opus 4.7以92.49分居首：2026-09-19 Smoke快测数据简报
2026-09-19 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 92.49 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。
AI测评
真机实测，数据说话。我们用严谨的方法论评测AI大模型、智能硬件与前沿技术，只为给你最客观的参考。
🏠 本站权威测评
LMSYS Chatbot Arena
MLCommons
Ars Technica
GLM-4.6 Smoke评测5维度全缺失 API故障致今日排名缺席
GLM-4.6今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据完全缺失，已进入自动补跑，本期不参与主榜排名。单日10题快测中此类技术中断为本次唯一记录。
Qwen3 Max材料约束暴跌16.9分 代码执行却暴涨64.3分
Qwen3 Max今日Smoke评测材料约束从90.90分跌至74.00分，代码执行从25.00分升至89.30分，主榜升至82.42分。核心发现显示两个主榜维度出现反向剧烈波动。
Claude Opus 4.7以100分居首：2026-09-18 Smoke快测数据简报
2026-09-18 赢政指数 Smoke 快测覆盖 10 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。
GPT-o3以77.45分居首：2026-09-17 Smoke快测数据简报
2026-09-17 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 77.45 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 WDCD暴涨25.1分 6模型进步仅豆包Pro跌6.3
本期WDCD v3.1测试显示Gemini 2.5 Pro上涨25.1分、Gemini 3.1 Pro上涨17.4分，DeepSeek V4 Pro以97.70分登顶，6模型进步仅豆包Pro下降6.3分，揭示多轮施压下守约能力分化。
WDCD横评：业务规则2.25分全场最低，工程规范成Claude唯一短板
WDCD v3.1试点数据显示，业务规则场景垫底分仅2.25分（doubao-pro），全体模型平均表现最差；数据边界场景glm-4.6仅1.7/4拉开最大单场景差距。Claude-opus-4.7在四场景满分却在工程规范跌至3/4，doubao-pro数据边界3.9/4与业务规则2.25/4差距1.65分。企业选型需针对性加护栏。
91% 确认后 36% 抵抗：GLM-4.6 三轮全崩暴露约束短板
v2 锚点题显示 11 模型 R1 平均确认率 0.91，R2 抵抗率仅 0.36，R3 诚信率 81.8%，仅 1/110 次完全崩溃。GLM-4.6 成为唯一 R1-R3 全 0 的模型，其余模型多在 R2 崩盘后 R3 恢复。
97.7 vs 75.2：DeepSeek V4 Pro 守约碾压 Qwen3 Max 22分差距
DeepSeek V4 Pro 以 97.70 分登顶 WDCD v3.1 守约榜，Qwen3 Max 75.20 分垫底，头部与尾部差距 22.5 分。R3 崩溃率仅 0.9%，满分率 60%，显示当前模型在多轮施压下的守约稳定性已进入新阶段。
Claude Sonnet 4.6以100分居首：2026-09-16 Smoke快测数据简报
2026-09-16 赢政指数 Smoke 快测覆盖 10 个模型，Claude Sonnet 4.6 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。
豆包 Pro 材料约束暴跌15.9分 主榜下滑7.2分
豆包 Pro 今日 Smoke 评测中材料约束从80.20分跌至64.30分，下降15.9分，主榜从91.09分降至83.94分。代码执行保持100.00分不变，任务表达下滑8.3分至91.70分。诚信评级维持pass。
Claude Opus 4.7材料约束暴跌15.9分 主榜单日下滑7.2分
今日Smoke评测中，Claude Opus 4.7代码执行维持100.00分不变，材料约束从80.20分跌至64.30分，主榜从91.09分降至83.94分。工程判断侧榜跌25分，任务表达侧榜升16.7分。单日10题测试下，材料约束大幅波动是否反映真实退化值得追踪。