2026-07-10 赢政指数 Smoke 快测覆盖 9 个模型，GPT-o3 以 86.9 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。
本次 Smoke 评测只覆盖代码执行和材料约束两个主榜维度，主榜公式为 0.55 × 代码执行 + 0.45 × 材料约束。由于每日样本量较小，单日分数更适合作为监控信号，而不是对模型能力做长期定论。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-o3 | 86.9 | 94.5 | 77.6 | pass |
| #2 | 豆包 Pro | 84.57 | 93.7 | 73.4 | pass |
| #3 | Gemini 3.1 Pro | 84.57 | 93.7 | 73.4 | pass |
| #4 | DeepSeek V4 Pro | 81.86 | 90.9 | 70.8 | pass |
| #5 | Grok 4 | 79.3 | 93.7 | 61.7 | warn |
| #6 | GPT-5.5 | 78.57 | 94.5 | 59.1 | warn |
| #7 | Claude Opus 4.7 | 71.26 | 69.5 | 73.4 | pass |
| #8 | Qwen3 Max | 70.22 | 69.5 | 71.1 | pass |
| #9 | Claude Sonnet 4.6 | 65.99 | 69.5 | 61.7 | pass |
数据解读
今日赢政指数Smoke快测中，GPT-o3以主榜86.9位居首位，其代码执行94.5与材料约束77.6形成强搭配，0.55倍代码执行权重下拉动整体领先；豆包Pro与Gemini 3.1 Pro并列主榜84.57，两者代码执行同为93.7、材料约束同为73.4，结构均衡；DeepSeek V4 Pro主榜81.86，代码执行90.9、材料约束70.8，延续代码侧优势。Grok 4与GPT-5.5则呈现代码执行93.7与94.5的高分，但材料约束仅61.7与59.1，整体受材料约束拖累。
Claude Opus 4.7主榜暴跌-19.3分，代码执行-22分、材料约束-15.9分，Claude Sonnet 4.6主榜-15.5分、代码执行-22分，Qwen3 Max主榜-10.9分、代码执行-22分，Grok 4主榜-8.4分、材料约束-17.6分且诚信由pass转为warn，这些异动可能源于单日10题抽样波动，也可能是模型真实退化信号，需后续同口径run复核确认。GLM-4.6与Gemini 2.5 Pro因API故障数据不完整，本期未参与排名。
Smoke快测为小样本单日信号，以上分数结构与变化仅反映当日表现，不做长期推断。
主要变化
- Claude Opus 4.7：主榜下降19.3分，代码执行-22分，材料约束-15.9分
- Claude Sonnet 4.6：主榜下降15.5分，代码执行-22分，材料约束-7.6分
- Qwen3 Max：主榜下降10.9分，代码执行-22分
- Grok 4：主榜下降8.4分，材料约束-17.6分，诚信pass→warn
- GPT-o3：主榜上升6.5分，材料约束+10.8分
需要关注的信号
- Grok 4：主榜暴跌 -8.4 分
- Claude Opus 4.7：主榜暴跌 -19.3 分
- Qwen3 Max：主榜暴跌 -10.9 分
- Claude Sonnet 4.6：主榜暴跌 -15.5 分
- GLM-4.6：数据不完整（缺 judgment,integrity 维度，API 故障/超时），已进入自动补跑，本期不参与排名
- Gemini 2.5 Pro：数据不完整（缺 execution,grounding,judgment,integrity,communication 维度，API 故障/超时），已进入自动补跑，本期不参与排名
读这类 Smoke 简报时，重点应放在两个问题上：第一，某个模型是否连续多日暴露同一类弱点；第二，诚信评级是否从 pass 进入 warn 或 fail。单日执行或约束分数的大幅变化，可能来自题目抽样，也可能是真实退化的早期信号，需要后续 run 复核。
数据来源：赢政指数 (YZ Index) | Run #224 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接