2026-07-18 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 80.61 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 | 80.61 | 70.3 | 93.2 | pass |
| #2 | Claude Opus 4.7 | 79.1 | 75 | 84.1 | pass |
| #3 | Claude Sonnet 4.6 | 74.6 | 75 | 74.1 | pass |
| #4 | GPT-5.5 | 74.1 | 75 | 73 | pass |
| #5 | Gemini 2.5 Pro | 72.4 | 71.9 | 73 | pass |
| #6 | Qwen3 Max | 70.15 | 64.7 | 76.8 | pass |
| #7 | DeepSeek V4 Pro | 61.17 | 60.4 | 62.1 | pass |
| #8 | Grok 4 | 51.6 | 25 | 84.1 | warn |
| #9 | Gemini 3.1 Pro | 51.03 | 18.4 | 90.9 | pass |
| #10 | 豆包 Pro | 46.6 | 25 | 73 | pass |
| #11 | GLM-4.6 | 40.91 | 0 | 90.9 | pass |
数据解读
今日赢政指数Smoke快测中，头部模型在代码执行与材料约束两项指标上呈现不同搭配特征。GPT-o3以主榜80.61领先，其代码执行70.3、材料约束93.2，材料约束得分较高；Claude Opus 4.7主榜79.1，代码执行75、材料约束84.1，代码执行相对突出；Claude Sonnet 4.6与GPT-5.5主榜分别为74.6和74.1，代码执行均为75，材料约束则在74.1与73之间。Qwen3 Max主榜70.15，代码执行64.7、材料约束76.8，材料约束形成一定支撑。整体看，代码执行与材料约束强弱搭配不同的模型在主榜排序中占据前位。
部分模型较上一同口径run出现明显分数变化。GLM-4.6主榜下降43.8分，代码执行下降91.7分、材料约束上升14.8分；Gemini 3.1 Pro主榜下降41.4分，代码执行下降76.6分；豆包Pro主榜下降35.3分，代码执行下降61.7分；Grok 4主榜下降25.1分，代码执行下降61.1分、材料约束上升19分且诚信从pass转为warn；DeepSeek V4 Pro主榜下降20.8分，代码执行下降26.3分、材料约束下降14分。这些变化可能源于题目抽样波动，也可能反映模型在单日测试中的真实表现差异，需后续run复核确认。
Smoke快测为小样本单日信号，以上观察仅基于今日数据，未对模型长期表现下结论。模型在代码执行与材料约束两项上的具体得分组合，共同决定了主榜位置，异常变化需更多同口径测试加以验证。
主要变化
- GLM-4.6：主榜下降43.8分，代码执行-91.7分，材料约束+14.8分
- Gemini 3.1 Pro：主榜下降41.4分，代码执行-76.6分
- 豆包 Pro：主榜下降35.3分，代码执行-61.7分
- Grok 4：主榜下降25.1分，代码执行-61.1分，材料约束+19分，诚信pass→warn
- DeepSeek V4 Pro：主榜下降20.8分，代码执行-26.3分，材料约束-14分
需要关注的信号
- 本次未保留可发布的异常信号。
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 #236 | 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