2026-08-17 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Grok 4 以 96.99 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 Opus 4.7 | 96.99 | 100 | 93.3 | pass |
| #2 | Grok 4 | 96.99 | 100 | 93.3 | warn |
| #3 | Qwen3 Max | 95.34 | 97 | 93.3 | pass |
| #4 | 豆包 Pro | 94.74 | 100 | 88.3 | pass |
| #5 | GPT-o3 | 94.02 | 100 | 86.7 | pass |
| #6 | Claude Sonnet 4.6 | 83.24 | 75 | 93.3 | pass |
| #7 | Gemini 3.1 Pro | 83.24 | 75 | 93.3 | pass |
| #8 | GPT-5.5 | 83.24 | 75 | 93.3 | pass |
| #9 | Gemini 2.5 Pro | 55.74 | 25 | 93.3 | pass |
| #10 | GLM-4.6 | 55.74 | 25 | 93.3 | pass |
| #11 | DeepSeek V4 Pro | 51.24 | 25 | 83.3 | pass |
数据解读
今日主榜前五模型中，Claude Opus 4.7与Grok 4均以代码执行100、材料约束93.3并列96.99，Qwen3 Max则以代码执行97、材料约束93.3取得95.34，显示代码执行满分或接近满分搭配材料约束93.3的组合在当前样本下形成头部区间。豆包Pro代码执行100、材料约束88.3得到94.74，GPT-o3代码执行100、材料约束86.7得到94.02，上述模型在代码执行与材料约束的强弱搭配上呈现不同侧重。
豆包Pro主榜较前次同口径run上升24.3分、代码执行上升33.3分、材料约束上升13.3分，Qwen3 Max主榜上升20.3分、代码执行上升22分、材料约束上升18.3分，Gemini 3.1 Pro主榜上升12.8分、代码执行上升8.3分、材料约束上升18.3分，Claude Opus 4.7主榜上升10.7分、代码执行上升25分、材料约束下降6.7分；DeepSeek V4 Pro主榜下降19.2分、代码执行下降41.7分、材料约束上升8.3分。DeepSeek V4 Pro本次主榜暴跌19.2分，可能源于题目抽样波动，亦可能反映真实退化，需后续run复核确认。
中低段位模型如Gemini 2.5 Pro与GLM-4.6代码执行25、材料约束93.3，主榜同为55.74，DeepSeek V4 Pro代码执行25、材料约束83.3，主榜51.24，显示代码执行偏低时材料约束高分仍可维持一定主榜位置，但整体与头部差距明显。Smoke为小样本单日信号，以上观察仅供当日参考。
主要变化
- 豆包 Pro：主榜上升24.3分，代码执行+33.3分，材料约束+13.3分
- Qwen3 Max：主榜上升20.3分，代码执行+22分，材料约束+18.3分
- DeepSeek V4 Pro：主榜下降19.2分，代码执行-41.7分，材料约束+8.3分
- Gemini 3.1 Pro：主榜上升12.8分，代码执行+8.3分，材料约束+18.3分
- Claude Opus 4.7：主榜上升10.7分，代码执行+25分，材料约束-6.7分
需要关注的信号
- DeepSeek V4 Pro：主榜暴跌 -19.2 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 #281 | 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