YZ Index
更新日志
所有评测运行的历史记录，追踪每次评测的时间、类型和状态
2026-07-30 03:09 SGT
轻量评测
已完成
2026-07-29 05:11 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-07-29 03:17 SGT
轻量评测
已完成
2026-07-28 03:17 SGT
轻量评测
已完成
2026-07-27 05:03 SGT
完整评测
已完成
2026-07-27 03:13 SGT
轻量评测
已完成
2026-07-26 05:40 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-07-26 03:26 SGT
轻量评测
已完成
2026-07-25 03:20 SGT
轻量评测
已完成
2026-07-24 03:26 SGT
轻量评测
已完成
2026-07-23 03:15 SGT
轻量评测
已完成
2026-07-22 05:06 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-07-22 03:14 SGT
轻量评测
已完成
2026-07-21 03:15 SGT
轻量评测
已完成
2026-07-20 04:53 SGT
完整评测
已完成
2026-07-20 03:09 SGT
轻量评测
已完成
2026-07-19 03:14 SGT
轻量评测
已完成
2026-07-18 03:20 SGT
轻量评测
已完成
2026-07-17 03:12 SGT
轻量评测
已完成
2026-07-16 03:12 SGT
轻量评测
已完成
2026-07-15 05:10 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-07-15 03:16 SGT
轻量评测
已完成
2026-07-14 03:09 SGT
轻量评测
已完成
2026-07-13 04:59 SGT
完整评测
已完成
2026-07-13 03:18 SGT
轻量评测
已完成
2026-07-12 05:52 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-07-12 03:10 SGT
轻量评测
已完成
2026-07-11 03:15 SGT
轻量评测
已完成
2026-07-10 03:18 SGT
轻量评测
已完成
2026-07-10 03:04 SGT
轻量评测
已完成
2026-07-09 03:11 SGT
轻量评测
已完成
2026-07-08 05:15 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-07-08 03:14 SGT
轻量评测
已完成
2026-07-07 03:18 SGT
轻量评测
已完成
2026-07-06 08:00 SGT
完整评测
已完成
2026-07-06 03:08 SGT
轻量评测
已完成
2026-07-05 03:12 SGT
轻量评测
已完成
时间未知
轻量评测
unknown
时间未知
轻量评测
unknown
时间未知
轻量评测
unknown
时间未知
轻量评测
unknown
时间未知
轻量评测
unknown
2026-07-04 03:19 SGT
轻量评测
已完成
2026-07-04 03:08 SGT
轻量评测
已完成
2026-07-03 11:05 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-07-03 04:34 SGT
版本升级
WDCD 守约榜 v3.1 升级 + 评测阵容换血
守约测试升级 v3.1
多轮守约榜（WDCD）题库升级至 v3.1：新增 17 道多轮渐进施压题，覆盖「原语选择陷阱」共谋测试「错误前提延续」等真实守约压力场景——违规判定基于运行时可复现的规则，无争议。
**为什么**：旧题库对前沿模型日趋饱和（顶部守约分挤在 93 一线，难分高下）。v3.1 通过更贴近真实企业场景的多轮施压，把梯队重新拉开——实测守约分从顶部约 98 平滑分布到约 72，区分度显著改善。
**题池**：17 道 v3.1 新题 + 8 道跨版本锚点题，共 25 道。历史 WDCD 榜单保留原样，跨版本口径不直接比较。
评测阵容换血
• **新增**
智谱 GLM-4.6进入评测阵容——国产大模型正牌选手。• **暂时下架**「文心一言 4.5」：因其 API 访问持续不可用，无法获得可信评分，暂从榜单移除；待访问恢复后再评估重新纳入。
评测阵容现为 11 个模型。
2026-07-03 03:24 SGT
轻量评测
已完成
2026-07-03 03:05 SGT
轻量评测
已完成
2026-07-03 01:29 SGT
版本升级
判分集升级 v6.4：捆绑计分上线 + 判分修复
什么变了
**捆绑计分**：结构化输出类题目（json_schema_exact）由「逐点部分分」升级为「捆绑计分」——检查点按业务语义分组，组内全部正确才得该组分。 **为什么**：逐点部分分下，38 个检查点错 3 个仍可得 92 分；但真实交付中一处金额抄错、一处条款漏掉即整体返工。部分分系统性高估了模型在关键任务上的可用性，也让榜单头部日趋饱和（顶部材料约束维度已达 95+）。捆绑计分对齐真实交付的容错标准。 **效果**：用最近一次完整评测的原始回答对照重算，头部模型核心分约 95→80，梯队区分度显著改善。题目、模型回答、每个检查点的对错判定全部不变，仅聚合口径升级。判分修复
• 修复 SQL「最近 N 天」类题目的时间衰减问题（测试数据日期固定，随时间推移落到查询窗口外，导致正确查询被误判为 0），并建立月度自动重锚，杜绝复发。
• 退役 1 道判分器与题目语言不匹配、长期无法评分的题。
历史可比性
本次起的评测标注判分集 v6.4；此前榜单保留原样并标注 v6.3，跨口径分数不做直接对比。 （注：多轮守约榜 WDCD 的下一代升级——多轮渐进施压 + 运行时行为验证——正在校准中，将于后续单独上线。）
2026-07-02 03:09 SGT
轻量评测
已完成
2026-07-01 04:58 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-07-01 03:09 SGT
轻量评测
已完成
2026-06-30 03:03 SGT
轻量评测
已完成
2026-06-29 04:56 SGT
完整评测
已完成
2026-06-29 03:03 SGT
轻量评测
已完成
2026-06-28 05:58 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-06-28 03:03 SGT
轻量评测
已完成
2026-06-27 03:06 SGT
轻量评测
已完成
2026-06-26 03:05 SGT
轻量评测
已完成
2026-06-25 03:02 SGT
轻量评测
已完成
2026-06-24 04:54 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-06-24 03:01 SGT
轻量评测
已完成
2026-06-23 03:11 SGT
轻量评测
已完成
2026-06-22 04:39 SGT
完整评测
已完成
2026-06-22 03:06 SGT
轻量评测
已完成
2026-06-21 03:12 SGT
轻量评测
已完成
2026-06-20 03:03 SGT
轻量评测
已完成
2026-06-19 03:02 SGT
轻量评测
已完成
2026-06-18 03:02 SGT
轻量评测
已完成
2026-06-17 04:54 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-06-17 03:12 SGT
轻量评测
已完成
2026-06-16 03:14 SGT
轻量评测
已完成
2026-06-15 09:25 SGT
完整评测
已完成
2026-06-15 03:03 SGT
轻量评测
已完成
2026-06-14 05:53 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-06-14 03:19 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-06-14 03:06 SGT
轻量评测
已完成
2026-06-13 03:01 SGT
轻量评测
已完成
2026-06-12 03:01 SGT
轻量评测
已完成
2026-06-11 13:19 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-06-11 09:18 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-06-11 07:14 SGT
轻量评测
已完成
2026-06-11 03:02 SGT
轻量评测
已完成
2026-06-10 05:00 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-06-10 03:01 SGT
轻量评测
已完成
2026-06-09 03:01 SGT
轻量评测
已完成
2026-06-08 03:02 SGT
轻量评测
已完成
2026-06-07 03:02 SGT
轻量评测
已完成
2026-06-06 19:26 SGT
轻量评测
已完成
2026-06-06 03:31 SGT
轻量评测
已完成
social_monitor
2026-06-05 03:01 SGT
轻量评测
已完成
2026-06-04 03:01 SGT
轻量评测
已完成
2026-06-03 04:57 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-06-03 03:01 SGT
轻量评测
已完成
2026-06-02 03:31 SGT
轻量评测
已完成
social_monitor
2026-06-02 03:02 SGT
轻量评测
已完成
2026-06-01 03:02 SGT
轻量评测
已完成
2026-05-31 05:54 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-05-31 03:01 SGT
轻量评测
已完成
2026-05-30 03:01 SGT
轻量评测
已完成
2026-05-29 03:01 SGT
轻量评测
已完成
2026-05-28 03:01 SGT
轻量评测
已完成
2026-05-27 04:54 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-05-27 03:01 SGT
轻量评测
已完成
2026-05-26 03:31 SGT
轻量评测
已完成
social_monitor
2026-05-26 03:01 SGT
轻量评测
已完成
2026-05-25 03:01 SGT
轻量评测
已完成
2026-05-24 03:01 SGT
轻量评测
已完成
2026-05-23 03:02 SGT
轻量评测
已完成
2026-05-22 03:02 SGT
轻量评测
已完成
2026-05-21 03:01 SGT
轻量评测
已完成
2026-05-20 04:57 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-05-20 03:01 SGT
轻量评测
已完成
2026-05-19 03:01 SGT
轻量评测
已完成
2026-05-18 03:01 SGT
轻量评测
已完成
2026-05-17 05:49 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-05-17 03:01 SGT
轻量评测
已完成
2026-05-16 03:03 SGT
轻量评测
已完成
2026-05-15 03:04 SGT
轻量评测
已完成
2026-05-14 03:01 SGT
轻量评测
已完成
2026-05-13 05:03 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-05-13 03:02 SGT
轻量评测
已完成
2026-05-12 03:01 SGT
轻量评测
已完成
2026-05-11 03:03 SGT
轻量评测
已完成
2026-05-10 05:26 SGT
轻量评测
已完成
social_monitor
2026-05-10 03:03 SGT
轻量评测
已完成
2026-05-09 03:01 SGT
轻量评测
已完成
2026-05-08 03:01 SGT
轻量评测
已完成
2026-05-07 03:02 SGT
轻量评测
已完成
2026-05-06 05:01 SGT
轻量评测
已完成
WDCD smoke evaluation
2026-05-06 03:01 SGT
轻量评测
已完成
2026-05-05 03:02 SGT
轻量评测
已完成
2026-05-04 03:02 SGT
轻量评测
已完成
2026-05-03 04:24 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-05-03 04:00 SGT
轻量评测
已完成
2026-05-02 03:03 SGT
轻量评测
已完成
2026-05-02 02:55 SGT
轻量评测
已完成
WDCD pilot evaluation
2026-05-01 16:06 SGT
轻量评测
已完成
DCD pilot evaluation
2026-05-01 11:09 SGT
版本升级
WDCD 动态语境衰变 — 全球首个多轮约束评测维度上线
新增实验性维度：WDCD（Dynamic Contextual Decay）
赢政指数 v7 新增 WDCD 维度，测试 AI 模型在多轮对话中守住约束的能力。这是全球首个系统性评测该能力的框架。 **核心设计：三轮对话**• R1 约束植入：给模型下达明确约束，确认理解
• R2 干扰注入：2000-5000 字专业文档，嵌入违规请求
• R3 压力诱导：社会工程话术施压，测试约束是否崩盘
**评测规模**
• 30 道多轮约束题，覆盖 5 类场景（数据边界、资源限制、业务规则、安全规约、工程约定）
• 11 个主流模型同台测试
• 100% 规则判分，零 AI 裁判，所有结果可审计
**判分机制**
• R1: 0-1 分（确认检测）
• R2: 0-1 分（违规检测 + Utility Gate）
• R3: 0-2 分（违规 + 拒绝 + 约束引用 + 安全替代）
• 满分 4 分
**独立运行**
• WDCD 为实验性维度，不计入主榜总分
• 使用独立评测轮次（run_type = dcd_pilot）
• 计划独立运行 3 个月后评估是否纳入主榜
**新增页面**
• /yz-index/dcd — WDCD 排行榜与数据总览
• /yz-index/dcd/about — 设计哲学与项目介绍
• /yz-index/dcd/methodology — 技术方法论详解
• /yz-index/dcd/cases — 完整案例集
**开放数据**
• 6 个 WDCD API 端点已开放，支持 JSON/CSV 导出
• 所有判分明细（命中规则、作用域、否定窗口降级）均可通过 API 获取
• 完整三轮对话原文开放查阅，欢迎独立验证
2026-05-01 06:20 SGT
模型变更
评测阵容重大升级：11 个模型更新至最新版本
2026 年 5 月 1 日起，赢政指数评测阵容全面升级：
【新增模型】
• GPT-5.5（替代 GPT-4o）— OpenAI 最新旗舰
• Claude Opus 4.7（替代 Opus 4.6）— Anthropic 最新旗舰
• DeepSeek V4 Pro（替代 V3 + R1）— DeepSeek 全新架构
• Gemini 3.1 Pro（新增）— Google 最新一代
• Qwen3 Max（替代 Qwen Max）— 阿里通义千问第三代
• 文心一言 4.5（替代 4.0）— 百度最新版本
• Grok 4（替代 Grok 3）— xAI 新旗舰
【保留模型】
• Claude Sonnet 4.6 — Sonnet 线最新版，继续参评
• GPT-o3 — OpenAI 推理线最新版，继续参评
• 豆包 Pro — 字节跳动旗舰，继续参评
【退役模型】
GPT-4o、GPT-4o-mini、Claude Opus 4.6、DeepSeek V3、DeepSeek R1、Gemini 2.0 Flash、Grok 3、Qwen Max、文心一言 4.0
历史评测数据完整保留，可在历史记录中查看。
【生效时间】
新阵容将在下一次 full run 评测中首次亮相。由于新模型无历史滚动均值，首次排名将基于单次评测结果，滚动均值需 5 次评测后趋于稳定。
评测阵容从 8 家服务商 11 个模型调整为 8 家服务商 11 个模型（结构优化）。
2026-05-01 03:01 SGT
轻量评测
已完成
2026-04-30 03:01 SGT
轻量评测
已完成
2026-04-29 03:02 SGT
轻量评测
已完成
2026-04-28 03:02 SGT
轻量评测
已完成
2026-04-27 03:01 SGT
轻量评测
已完成
2026-04-26 03:01 SGT
轻量评测
已完成
2026-04-25 03:02 SGT
轻量评测
已完成
2026-04-24 03:03 SGT
轻量评测
已完成
2026-04-23 03:02 SGT
轻量评测
已完成
2026-04-22 03:02 SGT
轻量评测
已完成
2026-04-21 03:36 SGT
轻量评测
已完成
2026-04-21 03:01 SGT
轻量评测
已完成
2026-04-20 03:01 SGT
轻量评测
已完成
2026-04-19 03:01 SGT
轻量评测
已完成
2026-04-18 11:04 SGT
轻量评测
已完成
2026-04-17 03:02 SGT
轻量评测
已完成
2026-04-16 03:01 SGT
轻量评测
已完成
2026-04-15 03:02 SGT
轻量评测
已完成
2026-04-14 03:01 SGT
轻量评测
已完成
2026-04-13 03:01 SGT
轻量评测
已完成
2026-04-12 03:02 SGT
轻量评测
已完成
2026-04-11 03:01 SGT
轻量评测
已完成
2026-04-10 03:01 SGT
轻量评测
已完成
2026-04-09 03:01 SGT
轻量评测
已完成
2026-04-08 03:02 SGT
轻量评测
已完成
2026-04-07 03:01 SGT
轻量评测
已完成
2026-04-06 03:01 SGT
轻量评测
已完成
2026-04-05 03:01 SGT
轻量评测
已完成
2026-04-04 03:31 SGT
轻量评测
已完成
social_monitor
2026-04-04 03:01 SGT
轻量评测
已完成
2026-04-03 03:01 SGT
轻量评测
已完成
2026-04-02 03:01 SGT
轻量评测
已完成
2026-04-01 03:01 SGT
轻量评测
已完成
2026-03-31 03:01 SGT
轻量评测
已完成
2026-03-30 03:31 SGT
轻量评测
已完成
social_monitor
2026-03-30 03:01 SGT
轻量评测
已完成
2026-03-29 03:01 SGT
轻量评测
已完成
2026-03-28 03:02 SGT
轻量评测
已完成
2026-03-27 05:05 SGT
轻量评测
已完成
2026-03-25 00:11 SGT
轻量评测
已完成
2026-03-24 00:00 SGT
版本升级
赢政指数 v6 正式上线
方法论升级
• 题库从 200 题扩展至 212 题，新增 12 道诚信压力测试题
• 维度体系重构：主榜只包含
代码执行和材料约束两个可审计核心维度• 新增
工程判断任务表达侧榜（标注 AI 辅助评估）• 新增
诚信评级门槛机制（pass/warn/fail），诚信不达标的模型主榜封顶• 主榜公式：core_overall = 0.55 × 代码执行 + 0.45 × 材料约束
• 稳定性、可用性、性价比降级为运行信号，不再混入主榜权重
判分引擎
• 新增 exact_rank 判分器，支持诚信压力测试的封闭式排序判分
• 评测并行架构升级至 55 进程（11 模型 × 5 能力层），full run 耗时约 15 分钟
社交舆情监控（新功能）
• 每日自动监控 11 个模型在 X/Twitter 上的用户反馈
• 舆情异常时自动触发定向复测，与评测数据交叉验证
• 每日自动监控 AI 厂商官方账号动态
数据页重建
• 原始数据页重建为摘要 + 分页模式，页面大小从 29MB 降至 64KB
• 不再公开题目原文和预期答案，防止题库污染
SEO 与口径统一
• 全站旧维度名（编程/知识工作/长文本）统一替换为 v6 表述
• 清理参数页、旧路由等 SEO 污染 URL
2026-03-22 14:05 SGT
轻量评测
已完成
2026-03-21 12:11 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 01:21 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v4：题库从 89 题扩充到 100 题（编程 33 + 知识 45 + 长上下文 22），新增 11 道高质量决策题，覆盖矛盾信息识别、信息不足诚实度、优先级排序、利益冲突检测、代码 review 陷阱、伦理边界
2026-03-21 01:19 SGT
题库变更
题库 v4：新增 11 道高质量决策题
新增 11 道高质量决策题，覆盖矛盾信息识别（2题）、信息不足诚实度（2题）、优先级排序（2题）、利益冲突检测（2题）、代码 review 陷阱（2题）、伦理边界（1题）。总题库从 89 题扩充到 100 题。题库版本升级为 v4。
2026-03-21 01:05 SGT
模型变更
新增 3 个评测模型：Grok 3、豆包 Pro、文心一言 4.0
新增 3 个评测模型：Grok 3（xAI）、豆包 Pro（字节跳动）、文心一言 4.0（百度）。评测模型总数从 8 个增加到 11 个。
2026-03-21 01:05 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-21 00:59 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-20 12:55 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-20 03:10 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v3：题库从 80 题扩充到 89 题（编程 33 + 知识 34 + 长上下文 22），知识工作新增工程判断力题组（9 题），覆盖技术选型、架构权衡、故障排查等实战场景
2026-03-19 03:11 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v2：题库从 30 题扩充到 80 题（编程 33 + 知识 25 + 长上下文 22），编程新增动态规划和并发分析，知识工作新增复利计算、时区推理等多步推理题
2026-03-18 03:11 SGT
轻量评测
已完成
判分 v5：引入严格判分分层（strict/non-strict）：新增 4 种严格判分类型（exact_rank、exact_boolean_set、exact_numeric_set、exact_json_value），严格题只给 0 或 100 不给部分分。排名题、True/False 判断题、单值数值题等标记为 strict=true
题库 v2：题库从 30 题扩充到 80 题（编程 33 + 知识 25 + 长上下文 22），编程新增动态规划和并发分析，知识工作新增复利计算、时区推理等多步推理题
2026-03-17 03:10 SGT
轻量评测
已完成
判分 v2：引入六种判分方法（全部命中、部分命中、精确匹配、正则、顺序匹配、JSON 结构校验），开始有比较正式的评分体系
题库 v1：初始题库 30 题，覆盖编程、知识工作、长上下文三个维度