赢政指数 - AI测评

Claude Opus 4.7 Smoke评测主榜暴跌9.6分：退化信号还是抽签闹剧？

Claude Opus 4.7在今日Smoke评测中主榜暴跌9.6分，代码执行维度从100分跌至75分，引发退化疑虑。但材料约束升至85.8分，工程判断（侧榜）大跌20分。分析显示，这或是抽签波动，而非真实退步，诚信评级仍为pass，无需过度警戒。

WDCD守约测试试点揭晓：Gemini 3.1 Pro与Qwen3 Max并列第一（65.00分），Grok 4垫底（42.50分）。头部梯队稳健，R3崩溃率高达69.1%。Gemini系列迭代提升明显，Grok大跌7.5分，凸显AI守约能力巨大差距。

Gemini 2.5 Pro在今日Smoke评测中主榜得分从74.00升至87.54，诚信评级从fail转为pass，但工程判断（侧榜）暴跌28.4分至30.00。分析显示，这或是抽签波动而非真实退化，但需警惕潜在不稳定性。核心维度材料约束提升9分，代码执行维持满分。

横向对比赢政指数、SuperCLUE、OpenCompass、C-Eval 四大中文AI评测基准，从代码执行、长文档理解、诚信检测、约束衰减四个维度分析各自优劣。

在同一道SQL题“连续登录天数”中，11个AI模型表现分化：豆包Pro、文心一言等8款满分100分，DeepSeek V4 Pro、GPT-o3等3款0分。分析揭示，成功者巧用ROW_NUMBER()分组，失败者语法或逻辑崩盘，凸显代码执行能力的边界。

WDCD的意义不只在榜单分数，而在揭示行业盲区。Run #105中110个案例有59例完美开局最终溃退，Q239更是11/11全军覆没。没有模型R3满分，行业一直在测量智力却忽略了纪律，WDCD填补了多轮行为一致性这个关键评测空白。

WDCD三轮衰减实测：R1确认率95%，R3诚信率仅29%，330次施压有209次完全崩溃。Grok 4 R3崩溃率高达86.7%，连Claude Sonnet 4.6也在只读账号、内存限制等约束下当场翻车。嘴上答应身体诚实，是大模型守约测试中最普遍的病。

赢政指数全新维度 WDCD 首轮揭幕：11 款顶级大模型在 330 次三轮施压测试中，R3 崩溃率高达 63.3%，全局诚信率从 95% 暴跌至 29%。Claude Opus 4.7 以 67.5 分登顶，Grok 4 仅 48.3 分垫底——一个比智力更残酷的真相浮出水面。

在AI能力趋同的时代，守约能力（模型遵守承诺的可靠性）将成为关键指标。欧盟AI法案和中国算法治理强调合规，赢政天下（winzheng.com）的YZ Index WDCD测试率先量化此维度。企业选型将从跑分转向可控性，预测1年内主流评测跟进。

AI评测排行榜充斥虚假繁荣：AI自评、假跑代码、单次排名和赞助操控让99%结果不可信。YZ Index通过真跑沙箱、准确度检查、滚动均值和零AI裁判，提供无偏见评估，颠覆行业标准。

现有AI评测只测能力，却忽略守约可靠性。YZ Index的WDCD测试通过3轮设计和30道企业场景题，填补空白，透明判分揭示AI抗压与遗忘问题。深度解读其创新价值，帮助企业选可靠AI。

赢政指数WDCD首轮测试揭晓：Qwen3-Max以66.67分领跑，Claude系列紧随其后。分析聚焦压力下模型妥协与R3诚信轮衰减规律，揭示AI守约能力的真实边界。