赢政指数周报：任务表达能力集体跃升，Claude系独辟材料约束赛道

本周赢政指数评测体系捕捉到一个罕见现象：11个主流AI模型中有10个在"任务表达"(communication_raw)维度出现同步提升，这种大规模同向变动在以往评测中极为少见。与此同时，Claude Opus 4.6独树一帜，成为唯一在"材料约束"(grounding_raw)维度取得突破的模型。

任务表达能力的集体进化

数据显示，文心一言4.0、GPT-4o、GPT-o3和Qwen Max四款模型在任务表达维度均提升15分，涨幅领跑全场。紧随其后的是Claude Sonnet 4.6、DeepSeek双子星(R1/V3)、豆包Pro、Gemini 2.5 Pro和Grok 3，统一录得10分增长。

这种同步性暗示着两种可能：一是评测体系本身对任务表达的考察标准发生调整，二是各大厂商不约而同地优化了模型的指令理解能力。从技术角度看，后者的可能性更大——随着RLHF（人类反馈强化学习）技术的成熟和指令微调数据集的扩充，模型在理解用户意图、准确执行复杂指令方面确实在快速进步。

Claude的差异化突围

在众模型扎堆优化任务表达时，Claude Opus 4.6选择了一条独特路径：材料约束能力提升13.3分。这项能力考察模型是否能严格遵循给定材料进行推理和生成，不随意添加外部信息——这恰恰是企业级应用中的关键需求。

从综合排名看，Claude系列（Opus 62.8分，Sonnet 66.2分）仍处于中游位置，但其在材料约束上的专注可能预示着Anthropic正在为特定垂直场景（如法律文书处理、财报分析）打造差异化优势。

开发者选型建议

1. 代码开发场景：豆包Pro（96.1）和Gemini 2.5 Pro（96.1）在代码执行维度并列第一，Grok 3（95.5）紧随其后。这三者都是代码生成和调试的优选。

2. 知识密集型应用：尽管整体分数偏低，豆包Pro（54.7）和Gemini 2.5 Pro（53.8）在知识综合维度相对领先，适合构建问答系统或知识库应用。

3. 合规敏感场景：如果你的应用涉及金融、法律等强监管领域，Claude Opus 4.6在材料约束上的优势值得重点考虑——它更不容易"脑补"超出原始材料的内容。

4. 性价比之选：DeepSeek V3综合得分74.8，仅次于豆包Pro，但其开源属性和相对较低的部署成本使其成为预算有限团队的理想选择。

值得警惕的是，GPT系列（GPT-4o排第10，GPT-o3垫底）在本轮评测中表现疲软，这可能反映出OpenAI在追求通用能力的同时，在某些专项指标上被后来者超越。开发者在选型时应根据具体需求，而非品牌光环做出决策。

数据来源：赢政指数 (YZ Index) | 原始数据