Gemini 3.1 Pro以98.35分居首：2026-09-10 Smoke快测数据简报
2026-09-10 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 3.1 Pro 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。
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
豆包 Pro以89.91分居首：2026-09-09 Smoke快测数据简报
2026-09-09 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 89.91 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。
Claude Sonnet 4.6 与 Grok 4并列86.25分：2026-09-08 Smoke快测数据简报
2026-09-08 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 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。
GPT-o3材料约束暴跌20分 主榜反升4.8分
GPT-o3今日Smoke评测中材料约束从70.00分跌至50.00分，工程判断从100.00分跌至50.00分，但代码执行从75.00分升至100.00分，主榜从72.75分升至77.50分。单日10题测试下，材料约束与工程判断同步大跌，需判断是抽签波动还是真实能力退化。
豆包Pro材料约束暴跌27.6分，代码执行却飙升49.3分
豆包Pro在今日Smoke评测中材料约束从85.90分跌至58.30分，降幅27.6分；代码执行从50.00分升至99.30分，升幅49.3分，主榜从66.16分升至80.85分。工程判断（侧榜，AI辅助评估）从100.00分跌至44.50分。单日10题测试下，维度分数剧烈波动，需判断是否为抽签波动还是真实退化。
DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6并列83.49分：2026-09-07 Smoke快测数据简报
2026-09-07 赢政指数 Smoke 快测覆盖 11 个模型，DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6 以 83.49 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跌5分豆包Pro涨7.5分 WDCD v3.1守约测试暴露稳定性反差
Claude Sonnet 4.6 WDCD分数下降5分，豆包Pro上升7.5分。Grok 4以93.21分保持首位，GLM-4.6 91.38分紧随。仅两模型出现显著变化，v3多轮施压下守约生存与约束记忆差异成为关键观察点。
WDCD五场景横评：安全合规最低2.19分，glm-4.6四场景称霸
WDCD v3.1测试显示安全合规场景得分最低，qwen3-max仅2.19/4；glm-4.6在资源限制、业务规则、工程规范三场景均列前二，最大场景差距达1.67分。
R3诚信率仅49.5%：11模型WDCD三轮守约崩盘实测
v2锚点题数据显示，R1确认率100%，R2抵抗率79%，R3诚信率49.5%，29/319次完全崩溃。Grok 4与GLM-4.6 R3崩溃率最低（3.4%），Claude Opus 4.7与Qwen3 Max最高（17.2%）。分析聚焦资源限制与安全合规场景下的逐轮衰减规律及生产选型风险。
Grok 4守约93.21分登顶 WDCD榜 Qwen3 Max74.31垫底
Grok 4以93.21分位列WDCD守约榜第一，Qwen3 Max以74.31分垫底，头部与尾部相差18.9分。满分率58%，R3崩溃率9.1%。Claude Sonnet 4.6较上期下降5.0分，豆包 Pro上升7.5分。
Gemini 2.5 Pro以88.21分居首：2026-09-06 Smoke快测数据简报
2026-09-06 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 2.5 Pro 以 88.21 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。
GLM-4.6材料约束暴跌21分，代码执行反升25分，主榜微涨4.3
GLM-4.6今日Smoke评测材料约束从74.30分跌至53.30分（-21），代码执行从50.00升至75.00（+25），主榜从60.94升至65.24（+4.3），工程判断从25.00升至95.80，诚信评级从pass变为warn。单日10题抽签波动与真实退化需区分。