2026-08-22 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 100 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 | 100 | 100 | 100 | pass |
| #2 | 豆包 Pro | 99.01 | 100 | 97.8 | pass |
| #3 | Qwen3 Max | 98.65 | 100 | 97 | pass |
| #4 | Grok 4 | 90.01 | 91.4 | 88.3 | pass |
| #5 | GPT-5.5 | 86.25 | 75 | 100 | pass |
| #6 | Claude Sonnet 4.6 | 84.9 | 75 | 97 | pass |
| #7 | Gemini 2.5 Pro | 83.39 | 69.8 | 100 | pass |
| #8 | GPT-o3 | 79.34 | 72 | 88.3 | pass |
| #9 | Gemini 3.1 Pro | 72.5 | 50 | 100 | pass |
| #10 | GLM-4.6 | 71.51 | 50 | 97.8 | pass |
| #11 | DeepSeek V4 Pro | 67.24 | 50 | 88.3 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Opus 4.7以代码执行100、材料约束100的均衡结构位居主榜100首位，豆包Pro代码执行100、材料约束97.8形成高代码执行搭配中等材料约束的组合，主榜99.01紧随其后。Qwen3 Max同样代码执行100、材料约束97，主榜98.65，显示头部模型多呈现代码执行满分或接近满分、材料约束略低的搭配特征。Grok 4代码执行91.4、材料约束88.3，主榜90.01，GPT-5.5则以代码执行75、材料约束100的材料约束强于代码执行的结构，主榜86.25，体现不同模型在两项指标上的强弱互补。
Gemini 2.5 Pro主榜较前次同口径run上升65分，代码执行上升46.3分，材料约束上升87.9分，诚信由fail转为pass；GLM-4.6主榜上升38.8分，代码执行上升50分，材料约束上升25分，诚信由warn转为pass；豆包Pro主榜上升20.4分，代码执行上升25分，材料约束上升14.8分。这些升幅集中在材料约束或代码执行单项的明显提升，需后续run复核以确认是否为单日抽样波动。
Gemini 2.5 Pro诚信评级出现fail→pass的异常信号，可能源于题目抽样波动或单次测试中的临时表现变化，也可能反映真实退化迹象，Smoke小样本单日数据不足以区分两者，建议进行多轮复核后再做判断。
主要变化
- Gemini 2.5 Pro：主榜上升65分，代码执行+46.3分，材料约束+87.9分，诚信fail→pass
- GLM-4.6：主榜上升38.8分，代码执行+50分，材料约束+25分，诚信warn→pass
- Gemini 3.1 Pro：主榜上升22.5分，材料约束+50分，诚信warn→pass
- 豆包 Pro：主榜上升20.4分，代码执行+25分，材料约束+14.8分
- Qwen3 Max：主榜上升19分，代码执行+25分，材料约束+11.7分，诚信warn→pass
需要关注的信号
- Gemini 2.5 Pro：诚信评级降为 Fail (fail→pass)
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 #289 | 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