2026-08-03 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 95.19 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 | Claude Opus 4.7 | 95.19 | 100 | 89.3 | pass |
| #2 | Grok 4 | 89.31 | 97.9 | 78.8 | pass |
| #3 | Gemini 2.5 Pro | 78.5 | 98.7 | 53.8 | pass |
| #4 | GPT-5.5 | 74.75 | 83.3 | 64.3 | pass |
| #5 | GPT-o3 | 74.75 | 83.3 | 64.3 | pass |
| #6 | GLM-4.6 | 72.25 | 58.3 | 89.3 | pass |
| #7 | DeepSeek V4 Pro | 70.19 | 75 | 64.3 | pass |
| #8 | Claude Sonnet 4.6 | 62.96 | 50 | 78.8 | pass |
| #9 | Gemini 3.1 Pro | 60.62 | 57.6 | 64.3 | pass |
| #10 | Qwen3 Max | 58.94 | 75 | 39.3 | pass |
| #11 | 豆包 Pro | 55.89 | 57.6 | 53.8 | pass |
数据解读
今日Smoke快测中，Claude Opus 4.7以主榜95.19位居首位，其代码执行100与材料约束89.3的搭配形成优势；Grok 4紧随其后，主榜89.31，代码执行97.9、材料约束78.8；Gemini 2.5 Pro代码执行98.7但材料约束仅53.8，主榜78.5。GLM-4.6则呈现材料约束89.3与代码执行58.3的组合，主榜72.25，显示头部模型在0.55×代码执行+0.45×材料约束公式下的不同权重平衡。
多模型出现明显回落，豆包 Pro主榜下降40.8分，代码执行下降36.4分、材料约束下降46.2分；Qwen3 Max主榜下降37.2分，代码执行下降22分、材料约束下降55.7分；Gemini 3.1 Pro主榜下降33.8分，代码执行下降36.4分、材料约束下降30.7分。这些变化可能源于单日小样本抽样波动，也可能反映真实性能退化，需后续同口径run复核确认。
Claude Sonnet 4.6与DeepSeek V4 Pro同样录得主榜分别下降31.5分与24.3分，代码执行与材料约束双双走低，整体结构仍维持诚信pass记录。Smoke作为小样本单日信号，当前数据仅供参考，不做长期推断。
主要变化
- 豆包 Pro：主榜下降40.8分，代码执行-36.4分，材料约束-46.2分
- Qwen3 Max：主榜下降37.2分，代码执行-22分，材料约束-55.7分
- Gemini 3.1 Pro：主榜下降33.8分，代码执行-36.4分，材料约束-30.7分
- Claude Sonnet 4.6：主榜下降31.5分，代码执行-44分，材料约束-16.2分
- DeepSeek V4 Pro：主榜下降24.3分，代码执行-19分，材料约束-30.7分，诚信warn→pass
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 #258 | 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