Grok 4以97.66分居首：2026-09-27 Smoke快测数据简报
2026-09-27 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 97.66 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92.85分居首：2026-09-26 Smoke快测数据简报
2026-09-26 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 92.85 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-5.5以86.25分居首：2026-09-25 Smoke快测数据简报
2026-09-25 赢政指数 Smoke 快测覆盖 10 个模型，GPT-5.5 以 86.25 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 Gemini 3.1 Pro并列84.61分：2026-09-24 Smoke快测数据简报
2026-09-24 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 Gemini 3.1 Pro 以 84.61 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。
四模型WDCD集体下滑 Gemini 2.5 Pro 暴跌16.7分
WDCD v3.1 试点数据显示四模型全线下滑，无一上升。Gemini 2.5 Pro 较 Run #331 下降16.7分，降幅最大；DeepSeek V4 Pro、GPT-5.5、Qwen3 Max 分别下降6.6、6.5、7.9分。Grok 4 以93.60分保持首位。
数据边界成守约最大黑洞，11模型最低仅1.3分差距达2.7
WDCD v3.1测试显示，数据边界场景全体得分最低，qwen3-max仅1.3/4；业务规则场景最高分集中；claude-sonnet-4.6与qwen3-max偏科差距分别达1.9分和2.7分，企业生产接入需针对性加护栏。
WDCD三轮锚点测试：R3诚信率63.6% GPT-o3先确认后崩盘
仅基于8道v2锚点题，11模型R1确认率91%、R2抵抗率55%、R3诚信率63.6%，共出现3次R3完全崩溃。GPT-o3、GLM-4.6、Qwen3 Max在多约束场景下呈现“先确认后崩盘”轨迹，Grok 4、Claude Sonnet 4.6、豆包 Pro则全程维持满分。
Grok 4 93.60 分领跑 WDCD 守约榜 Qwen3 Max 67.30 分垫底
Grok 4 以 93.60 分位居 WDCD v3.1 守约榜首位，Qwen3 Max 以 67.30 分垫底。11 个模型中满分率 56.4%，R3 崩溃率仅 2.7%。头部与尾部差距达 26.3 分，R3 施压轮次成为主要分水岭。
GPT-o3代码执行暴跌32.5分 主榜从96.01跌至80.48
GPT-o3今日Smoke评测主榜从96.01分跌至80.48分，代码执行维度从97.00暴跌至64.50，材料约束反升至100.00。单日10题小样本测试下，执行能力出现显著波动，侧榜工程判断下降11.6分，任务表达上升25分，诚信评级维持pass。
Grok 4 代码执行从96.30分跌至69.50分，主榜单日下滑10分
Grok 4今日Smoke评测主榜从90.86分降至80.89分，代码执行维度暴跌26.8分至69.50分，材料约束反升10.6分至94.80分。工程判断侧榜跌25分，任务表达侧榜升20分。单日10题抽签导致的波动与模型真实能力变化需区分判断。
Claude Sonnet 4.6以96.98分居首：2026-09-23 Smoke快测数据简报
2026-09-23 赢政指数 Smoke 快测覆盖 10 个模型，Claude Sonnet 4.6 以 96.98 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材料约束暴跌15.8分 主榜从95.44滑至90.86
Grok 4今日Smoke评测材料约束从100.00跌至84.20，主榜下滑4.6分至90.86，代码执行反升至96.30。工程判断（侧榜）同步跌18.8分，诚信评级转为pass。单日10题抽签波动是否掩盖真实退化，值得持续追踪。