Grok 4以94.15分居首：2026-07-16 Smoke快测数据简报

2026-07-16 赢政指数 Smoke 快测覆盖 9 个模型，Grok 4 以 94.15 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

数据解读

今日赢政指数Smoke快测中，Grok 4以主榜94.15位居首位，其代码执行100、材料约束87的搭配形成高分结构；DeepSeek V4 Pro紧随其后，主榜93.84，代码执行同样100、材料约束86.3，显示两者在代码执行维度上均达满分且材料约束保持较高水平。Gemini 3.1 Pro主榜80.4，代码执行75、材料约束87，Claude Opus 4.7与Qwen3 Max主榜均为80.09，代码执行75、材料约束86.3，三者呈现代码执行与材料约束相对均衡的得分特征。

与上一同口径run相比，Gemini 2.5 Pro主榜下降41.5分，代码执行下降66.7分、材料约束下降10.7分；Claude Sonnet 4.6主榜下降25.6分，代码执行下降50分；Claude Opus 4.7主榜下降19.9分，代码执行下降25分、材料约束下降13.7分；豆包 Pro主榜下降15分，代码执行下降16.7分、材料约束下降13分。Grok 4主榜上升10.5分，代码执行上升29.7分、材料约束下降13分。

Claude Opus 4.7、豆包 Pro、Claude Sonnet 4.6与Gemini 2.5 Pro出现主榜暴跌，可能源于题目抽样波动或模型临时状态变化，需后续run复核确认。GPT-5.5与GPT-o3因API故障/超时导致数据不完整，未参与本期排名。

主要变化

• Gemini 2.5 Pro：主榜下降41.5分，代码执行-66.7分，材料约束-10.7分
• Claude Sonnet 4.6：主榜下降25.6分，代码执行-50分
• Claude Opus 4.7：主榜下降19.9分，代码执行-25分，材料约束-13.7分
• 豆包 Pro：主榜下降15分，代码执行-16.7分，材料约束-13分
• Grok 4：主榜上升10.5分，代码执行+29.7分，材料约束-13分

需要关注的信号

• Claude Opus 4.7：主榜暴跌 -19.9 分
• 豆包 Pro：主榜暴跌 -15 分
• Claude Sonnet 4.6：主榜暴跌 -25.6 分
• Gemini 2.5 Pro：主榜暴跌 -41.5 分
• GPT-5.5：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
• GPT-o3：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 #234 | 查看原始数据