2026-07-27 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 91.29 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 | 91.29 | 97 | 84.3 | pass |
| #2 | Gemini 3.1 Pro | 89.04 | 97 | 79.3 | pass |
| #3 | GPT-5.5 | 86.29 | 97 | 73.2 | pass |
| #4 | DeepSeek V4 Pro | 85.69 | 100 | 68.2 | pass |
| #5 | 豆包 Pro | 84.94 | 97 | 70.2 | pass |
| #6 | Gemini 2.5 Pro | 84.28 | 95.8 | 70.2 | pass |
| #7 | Claude Sonnet 4.6 | 80.44 | 97 | 60.2 | pass |
| #8 | GLM-4.6 | 75.69 | 72 | 80.2 | warn |
| #9 | Grok 4 | 75.15 | 79.2 | 70.2 | pass |
| #10 | Claude Opus 4.7 | 66.04 | 47 | 89.3 | pass |
| #11 | Qwen3 Max | 62.07 | 59.5 | 65.2 | pass |
数据解读
今日赢政指数Smoke快测显示，头部模型在代码执行与材料约束的搭配上各有侧重。GPT-o3主榜91.29，代码执行97、材料约束84.3，两种能力相对均衡；Gemini 3.1 Pro主榜89.04，代码执行97、材料约束79.3，同样依靠高代码执行得分；DeepSeek V4 Pro代码执行100、材料约束68.2，主榜85.69，体现代码执行优势明显而材料约束偏弱的结构；GPT-5.5与豆包Pro均代码执行97，材料约束分别为73.2和70.2，整体主榜位居前列。
显著变化中，GPT-5.5主榜+26.5分、代码执行+52.5分，GPT-o3主榜+21.8分、代码执行+52.5分，Qwen3 Max主榜+18.9分、代码执行+40分，Claude Sonnet 4.6主榜+15.7分、代码执行+52.5分，这些提升伴随材料约束不同程度下降。异常信号包括GPT-o3材料约束暴跌-15.7分、DeepSeek V4 Pro材料约束暴跌-31.8分、豆包Pro材料约束暴跌-17分、Claude Sonnet 4.6材料约束暴跌-29.3分、Grok 4材料约束暴跌-29.8分，以及GLM-4.6诚信评级降为warn，可能源于题目抽样波动或真实退化，需后续run复核确认。Smoke为小样本单日信号，相关解读保持克制。
主要变化
- GPT-5.5：主榜上升26.5分，代码执行+52.5分，材料约束-5.2分
- GPT-o3：主榜上升21.8分，代码执行+52.5分，材料约束-15.7分
- Qwen3 Max：主榜上升18.9分，代码执行+40分，材料约束-6.8分
- GLM-4.6：主榜上升18.5分，代码执行+27.5分，材料约束+7.4分，诚信fail→warn
- Claude Sonnet 4.6：主榜上升15.7分，代码执行+52.5分，材料约束-29.3分
需要关注的信号
- GPT-o3：材料约束暴跌 -15.7 分
- DeepSeek V4 Pro：材料约束暴跌 -31.8 分
- 豆包 Pro：材料约束暴跌 -17 分
- Claude Sonnet 4.6：材料约束暴跌 -29.3 分
- GLM-4.6：诚信评级降为 Fail (fail→warn)
- Grok 4：材料约束暴跌 -29.8 分
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 #248 | 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