2026-07-25 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 Grok 4 以 96.98 分并列当日首位。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 | Claude Sonnet 4.6 | 96.98 | 94.5 | 100 | pass |
| #2 | Grok 4 | 96.98 | 94.5 | 100 | pass |
| #3 | DeepSeek V4 Pro | 92.16 | 94.5 | 89.3 | pass |
| #4 | GPT-5.5 | 87.17 | 94.5 | 78.2 | pass |
| #5 | Gemini 3.1 Pro | 80.91 | 94.5 | 64.3 | pass |
| #6 | GPT-o3 | 80.91 | 94.5 | 64.3 | pass |
| #7 | Gemini 2.5 Pro | 80.73 | 94.5 | 63.9 | pass |
| #8 | Claude Opus 4.7 | 78.41 | 69.5 | 89.3 | pass |
| #9 | 豆包 Pro | 71.98 | 69.5 | 75 | pass |
| #10 | GLM-4.6 | 64.66 | 44.5 | 89.3 | pass |
| #11 | Qwen3 Max | 53.41 | 44.5 | 64.3 | pass |
数据解读
今日主榜前两名Claude Sonnet 4.6与Grok 4均取得96.98分，二者代码执行均为94.5、材料约束均为100，显示在两项能力上形成均衡高位搭配。DeepSeek V4 Pro以92.16分位列第三，其代码执行同样为94.5，但材料约束为89.3，较前两名略低。GPT-5.5主榜87.17分，代码执行94.5而材料约束78.2，反映代码执行相对材料约束更具优势的结构特点。
多模型出现显著正向变化，其中Claude Sonnet 4.6主榜上升38.3分、代码执行上升44.5分、材料约束上升30.7分，DeepSeek V4 Pro主榜上升23.5分、代码执行上升19.5分、材料约束上升28.4分，Gemini 3.1 Pro主榜上升21.4分、代码执行上升36.2分。这些升幅均来自单日小样本Smoke测试，可能源于题目抽样波动，也可能是模型在特定约束条件下的表现起伏，需后续同口径run进行复核以确认稳定性。
整体来看，头部模型多呈现代码执行与材料约束的强弱互补搭配，而部分中游模型如GLM-4.6代码执行44.5、材料约束89.3，Qwen3 Max代码执行44.5、材料约束64.3，结构差异明显。所有解读均基于今日数据，未对长期表现作出判断。
主要变化
- Claude Sonnet 4.6：主榜上升38.3分，代码执行+44.5分，材料约束+30.7分
- DeepSeek V4 Pro：主榜上升23.5分，代码执行+19.5分，材料约束+28.4分
- Gemini 3.1 Pro：主榜上升21.4分，代码执行+36.2分
- GPT-o3：主榜上升16分，代码执行+19.5分，材料约束+11.7分
- GPT-5.5：主榜上升13.3分，代码执行+19.5分，材料约束+5.6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 #245 | 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