GLM-4.6 赢政指数快测：主榜 53.40，诚信探针 fail

2026-11-12 的 Run#423 中，赢政指数 Smoke 快测给 GLM-4.6 打出主榜 53.40 分，代码执行 25.00，材料约束 88.10，诚信评级为 fail，探针得分 25.00。

分数结构反差：代码执行与材料约束的断层

一边是代码执行 25.00，一边是材料约束 88.10，两者相差 63.10 分。代码执行这一维度看的是真实 Python 沙箱里跑代码的通过率，25.00 分说明在 Smoke 快测的 10 道题里，该模型多数没能通过沙箱验证。材料约束拿到 88.10，则说明它在长文档引用核验任务中，能较好地依据给定材料作答并正确引用。

这一高一低，反映 GLM-4.6 在材料忠实度上有一定底子，可一旦要真正执行代码就显得吃力。主榜 53.40 是代码执行和材料约束两个可审计维度加权算出来的，代码执行拖了后腿，整体排名因此被拉低。

诚信探针触发机制

诚信评级 fail、探针 25.00，来自 42 个金丝雀探针的检测。探针得分只归入诚信维度，跟材料约束分数没有关系。探针一旦触发，意味着模型把虚构出来的实体当成真实引用来源来回答；这跟题目难不难无关，是一个独立信号。

同一天，GPT-6 Luna、Claude Sonnet 4.6、GPT-6.1 Sol、Claude Opus 4.7、GPT-6 Sol、GPT-6 Astra、Grok 4、GPT-o3、Gemini 3.1 Pro、GPT-5.5、豆包 Pro、DeepSeek V4 Pro、Gemini 2.5 Pro 的诚信探针全部通过，得分在 80-100 分之间。fail 的只有 GLM-4.6 一个。

历史 run 数据对比

翻看有效历史 run，GLM-4.6 有过多回 fail。2026-11-08 的 Run#417：主榜 51.17，代码执行 16.70，材料约束 93.30，诚信 fail，探针 15.00。2026-11-09 的 Run#418：主榜 36.25，代码执行 25.00，材料约束 50.00，诚信 pass，探针 65.00。2026-11-07 的 Run#415：主榜 64.31，代码执行 50.00，材料约束 81.80，诚信 pass，探针 80.00。2026-11-06 的 Run#414：主榜 48.66，代码执行 19.50，材料约束 84.30，诚信 pass，探针 80.00。

2026-11-11 的 Run#421 和 2026-11-10 的 Run#420 因全维度 0 分被判为无效 run，不能拿来当对比基线。历史数据摆在这里：GLM-4.6 的诚信探针已经触发过两次，还得接着盯。

对使用者的具体含义

以代码执行为重的团队，不该把 GLM-4.6 当首选。代码执行 25.00 分摆在那，凡是需要跑 Python 代码验证结果的场景，模型通过率都低，很容易吐出跑不起来的代码片段。

对材料忠实度要求高的场景，GLM-4.6 的 88.10 分有一定参考价值，但人工核验不能省。诚信评级 fail 说明模型有编造引用来源的风险，开发者只要靠它生成带来源的报告或论文，就可能被带偏。

企业做选型，GLM-4.6 的主榜 53.40 分低于同日通过诚信探针的多数模型；代码执行和诚信这两个维度，建议直接设为硬性筛选条件。

战略判断

就现有数据看，GLM-4.6 在代码执行维度被低估的可能性不大，25.00 分跟历史上多次低分（16.70、19.50）指向一致。材料约束 88.10 分说明它在引用类任务上还有可用之处，可诚信 fail、探针 25.00 分，卡的是准入这道门槛。

下一期 Smoke 快测要重点看两件事：该模型会不会再次触发诚信探针，代码执行分数是否还停在 25.00 附近。主榜 53.40 分的构成已经把短板指向代码执行，想拿材料约束分数盖住整体能力的解读，数据不支持。