2026-08-18 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 96.93 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 | 96.93 | 98.5 | 95 | pass |
| #2 | Claude Opus 4.7 | 93.66 | 100 | 85.9 | pass |
| #3 | Grok 4 | 91.95 | 96.9 | 85.9 | pass |
| #4 | Claude Sonnet 4.6 | 91.81 | 100 | 81.8 | pass |
| #5 | GPT-5.5 | 90.6 | 100 | 79.1 | pass |
| #6 | Qwen3 Max | 86.98 | 95.3 | 76.8 | pass |
| #7 | 豆包 Pro | 82.16 | 75 | 90.9 | pass |
| #8 | Gemini 2.5 Pro | 79.91 | 75 | 85.9 | pass |
| #9 | Gemini 3.1 Pro | 71.19 | 51.7 | 95 | pass |
| #10 | DeepSeek V4 Pro | 70.25 | 50 | 95 | pass |
数据解读
今日主榜前五模型中，GPT-o3以代码执行98.5与材料约束95的均衡搭配取得96.93分，Claude Opus 4.7则依靠代码执行100与材料约束85.9的组合位列第二。Claude Sonnet 4.6同样代码执行100但材料约束81.8，GPT-5.5代码执行100材料约束79.1，显示头部模型在代码执行维度普遍保持高位，而材料约束得分差异成为区分主榜排名的主要因素。豆包Pro代码执行75材料约束90.9、Gemini 3.1 Pro代码执行51.7材料约束95、DeepSeek V4 Pro代码执行50材料约束95的结构，则体现出材料约束相对更强的特点。
Gemini 2.5 Pro主榜上升24.2分、代码执行上升50分，DeepSeek V4 Pro主榜上升19分、代码执行上升25分、材料约束上升11.7分，Claude Sonnet 4.6主榜上升8.6分、代码执行上升25分，这些变化可能源于单日题目抽样波动，也可能是模型在特定维度上的真实表现起伏，需后续同口径run复核确认。Qwen3 Max主榜暴跌-8.4分、豆包Pro主榜暴跌-12.6分、Gemini 3.1 Pro主榜暴跌-12.1分，同样存在抽样波动与真实退化两种可能解释，本期Smoke数据仅为小样本单日信号，不做长期判断。
GLM-4.6因API故障导致数据不完整，本期未参与排名。整体来看，各模型代码执行与材料约束的强弱搭配直接影响主榜得分，异常信号均需进一步run验证以排除偶然因素。
主要变化
- Gemini 2.5 Pro：主榜上升24.2分，代码执行+50分，材料约束-7.4分
- DeepSeek V4 Pro：主榜上升19分，代码执行+25分，材料约束+11.7分
- 豆包 Pro：主榜下降12.6分，代码执行-25分
- Gemini 3.1 Pro：主榜下降12.1分，代码执行-23.3分
- Claude Sonnet 4.6：主榜上升8.6分，代码执行+25分，材料约束-11.5分
需要关注的信号
- Qwen3 Max：主榜暴跌 -8.4 分
- 豆包 Pro：主榜暴跌 -12.6 分
- Gemini 3.1 Pro：主榜暴跌 -12.1 分
- GLM-4.6：数据不完整（缺 execution 维度，API 故障/超时），已进入自动补跑，本期不参与排名
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 #283 | 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