AI评测 - AI测评 | 赢政天下

Claude Sonnet 4.6 逆袭登顶！8大AI模型代码执行暴跌25分，行业地震真相

今日Smoke评测中，Claude Sonnet 4.6 以84.68分逆袭登顶，但8大模型代码执行暴跌25分，主榜平均下滑超10分。Claude家族强势，Gemini和DeepSeek大幅滑坡，揭示AI更新风险与稳定性隐忧。GroK 4诚信fail垫底。

Winzheng Index

Grok 4 暴跌25分执行崩盘！Claude Opus 89.43 分霸榜 AI 日评

今日Smoke评测中，Claude Opus以89.43分领跑，Grok 4主榜暴跌25.2分执行仅50分；Gemini系列诚信回暖主榜大涨。分析揭示模型更新风险，GPT-o3也崩23.1分，暴露AI稳定性痛点。

Winzheng Research

2026 主流 AI 评测基准横向对比：赢政指数 vs SuperCLUE vs OpenCompass vs C-Eval

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。

Winzheng Index

揭秘AI排行榜5大骗局：99%不可信，YZ Index如何颠覆评测？

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。

Winzheng Index

揭秘WDCD守约测试：3轮30题直击AI“失信”痛点，颠覆评测格局！

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。

winzheng.com

DeepSeek V3稳定性暴跌21.4分：模型输出一致性危机深度剖析

DeepSeek V3在最新评测中稳定性得分从53.4分骤降至32.0分，跌幅达21.4分。尽管代码执行和材料约束等维度大幅提升，但模型输出一致性严重恶化，标准差增大意味着相同输入可能产生质量差异巨大的回答。

winzheng.com

豆包Pro稳定性暴跌19.8分：同题异答成最大软肋

豆包Pro本周评测显示稳定性维度大幅下跌19.8分至34.7分，成为各维度中唯一负增长指标。分析发现模型在相同问题上给出差异化回答，反映出内部决策机制可能存在随机性过高的问题。

winzheng.com

赢政指数周报：任务表达能力集体跃升，Claude系独辟材料约束赛道

本周赢政指数评测体系捕捉到一个罕见现象：11个主流AI模型中有10个在"任务表达"(communication_raw)维度出现同步提升，这种大规模同向变动在以往评测中极为少见。与此同时，Claude Opus 4.6独树一帜，成为唯一在"材料约束"(grounding_raw)维度取得突破的模型。