2026-09-04 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 92.49 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 | 92.49 | 100 | 83.3 | pass |
| #2 | Grok 4 | 89.38 | 100 | 76.4 | pass |
| #3 | GPT-o3 | 82.47 | 97.5 | 64.1 | pass |
| #4 | Gemini 2.5 Pro | 75.45 | 75 | 76 | pass |
| #5 | Qwen3 Max | 75.15 | 96.7 | 48.8 | pass |
| #6 | GPT-5.5 | 71.67 | 75 | 67.6 | pass |
| #7 | DeepSeek V4 Pro | 67.24 | 50 | 88.3 | pass |
| #8 | GLM-4.6 | 60.94 | 50 | 74.3 | pass |
| #9 | Gemini 3.1 Pro | 60.65 | 75 | 43.1 | pass |
| #10 | Claude Sonnet 4.6 | 52.16 | 50 | 54.8 | pass |
| #11 | 豆包 Pro | 50.09 | 50 | 50.2 | pass |
数据解读
今日主榜前三模型在代码执行与材料约束两项指标上呈现不同搭配。Claude Opus 4.7以代码执行100、材料约束83.3取得主榜92.49，Grok 4同样代码执行100但材料约束76.4，主榜89.38；GPT-o3代码执行97.5、材料约束64.1，主榜82.47。三者均诚信pass。DeepSeek V4 Pro代码执行50、材料约束88.3，主榜67.24，显示材料约束相对更强的结构特点。Gemini 2.5 Pro代码执行75、材料约束76，主榜75.45，处于两项较为均衡的位置。
多模型出现明显同口径变化。Claude Opus 4.7主榜+33.6分，代码执行+25分，材料约束+44分；Grok 4主榜+27.4分，代码执行+25分，材料约束+30.3分；Gemini 2.5 Pro主榜+27.9分，代码执行+25分，材料约束+31.5分；DeepSeek V4 Pro主榜+22.1分，材料约束+49分。豆包 Pro主榜-29分，代码执行-50分。这些单日幅度需结合Smoke小样本特性看待，可能源于题目抽样波动，也可能反映真实表现变化，均需后续run复核确认。
异常信号集中在数个模型。GPT-5.5代码执行暴跌-25分，GLM-4.6诚信评级由fail转为Fail，Claude Sonnet 4.6主榜暴跌-13.9分，豆包 Pro主榜暴跌-29分。以上变动在小样本单日测试中常见，暂不宜视为长期退化，仅作为观察信号，建议通过多轮重复测试进一步验证。
主要变化
- Claude Opus 4.7：主榜上升33.6分，代码执行+25分，材料约束+44分
- 豆包 Pro：主榜下降29分，代码执行-50分
- Gemini 2.5 Pro：主榜上升27.9分，代码执行+25分，材料约束+31.5分
- Grok 4：主榜上升27.4分，代码执行+25分，材料约束+30.3分
- DeepSeek V4 Pro：主榜上升22.1分，材料约束+49分
需要关注的信号
- GPT-5.5：代码执行暴跌 -25 分
- GLM-4.6：诚信评级降为 Fail (fail→pass)
- Claude Sonnet 4.6：主榜暴跌 -13.9 分
- 豆包 Pro：主榜暴跌 -29 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 #308 | 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