2026-07-09 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 90.51 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 | 90.51 | 91.5 | 89.3 | pass |
| #2 | Gemini 3.1 Pro | 89.16 | 91.5 | 86.3 | pass |
| #3 | DeepSeek V4 Pro | 88.13 | 91.5 | 84 | pass |
| #4 | Grok 4 | 87.66 | 94.5 | 79.3 | pass |
| #5 | 豆包 Pro | 84.66 | 91.5 | 76.3 | pass |
| #6 | Gemini 2.5 Pro | 84.17 | 90.6 | 76.3 | pass |
| #7 | Claude Sonnet 4.6 | 81.51 | 91.5 | 69.3 | pass |
| #8 | Qwen3 Max | 81.15 | 91.5 | 68.5 | pass |
| #9 | GPT-o3 | 80.39 | 91.5 | 66.8 | pass |
| #10 | GPT-5.5 | 76.88 | 91.5 | 59 | pass |
数据解读
今日 Smoke 快测中，Claude Opus 4.7 主榜 90.51 居首，代码执行 91.5 与材料约束 89.3 形成均衡搭配；Gemini 3.1 Pro 主榜 89.16，代码执行同样 91.5、材料约束 86.3，材料端稍弱于首位；DeepSeek V4 Pro 主榜 88.13，代码执行 91.5、材料约束 84，结构与前两者接近。Grok 4 主榜 87.66，代码执行 94.5 较高而材料约束 79.3，呈现代码强材料弱的明显反差。
Gemini 3.1 Pro 主榜+28.2分、代码执行+33.2分、材料约束+22分，Gemini 2.5 Pro 主榜+24.3分、代码执行+34.3分，豆包 Pro 主榜+12.8分、材料约束+18.5分，升幅集中在代码执行与材料约束的同步或偏重提升。Qwen3 Max 材料约束暴跌 -15.1 分、GPT-o3 材料约束暴跌 -16.8 分，这些异常可能来自题目抽样波动，也可能是真实退化，需后续 run 复核。GLM-4.6 因数据不完整未进入排名。
主要变化
- Gemini 3.1 Pro：主榜上升28.2分，代码执行+33.2分，材料约束+22分
- Gemini 2.5 Pro：主榜上升24.3分，代码执行+34.3分，材料约束+12分
- 豆包 Pro：主榜上升12.8分，代码执行+8.2分，材料约束+18.5分
- GPT-5.5：主榜上升10.8分，代码执行+16.5分
- Claude Opus 4.7：主榜上升9.1分，代码执行+16.5分
需要关注的信号
- Qwen3 Max：材料约束暴跌 -15.1 分
- GPT-o3：材料约束暴跌 -16.8 分
- GLM-4.6：数据不完整（缺 grounding,judgment,integrity 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 #222 | 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