2026-07-31 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 96.94 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 | DeepSeek V4 Pro | 96.94 | 100 | 93.2 | pass |
| #2 | GPT-o3 | 93.16 | 95 | 90.9 | pass |
| #3 | Claude Opus 4.7 | 92.85 | 100 | 84.1 | pass |
| #4 | GPT-5.5 | 86.63 | 95 | 76.4 | pass |
| #5 | Grok 4 | 77.72 | 72.5 | 84.1 | pass |
| #6 | Gemini 3.1 Pro | 76.35 | 70 | 84.1 | pass |
| #7 | 豆包 Pro | 75 | 75 | 75 | pass |
| #8 | Claude Sonnet 4.6 | 74.04 | 100 | 42.3 | pass |
| #9 | Qwen3 Max | 72.34 | 92.5 | 47.7 | pass |
| #10 | Gemini 2.5 Pro | 69.26 | 72 | 65.9 | pass |
数据解读
今日赢政指数Smoke快测中，DeepSeek V4 Pro以代码执行100、材料约束93.2的搭配取得主榜96.94，GPT-o3则以代码执行95、材料约束90.9形成93.16的成绩，Claude Opus 4.7同样代码执行100却材料约束84.1，主榜92.85。头部模型多呈现代码执行与材料约束的均衡或偏强组合，而Claude Sonnet 4.6代码执行100但材料约束42.3，Qwen3 Max代码执行92.5材料约束47.7，显示强弱搭配差异明显。
与上一同口径run相比，DeepSeek V4 Pro主榜+20.1分、代码执行+25分、材料约束+14.1分，GPT-o3主榜+13.3分、代码执行+20分，Qwen3 Max主榜+11.8分但材料约束-20分，Gemini 2.5 Pro材料约束+20.9分。这些异动可能源于题目抽样波动，也可能是真实退化迹象，需后续run复核确认。
Grok 4代码执行暴跌-19.5分、Qwen3 Max材料约束暴跌-20分构成异常信号，GLM-4.6因API故障数据不完整已自动补跑，本期不参与排名。Smoke作为小样本单日信号，上述变化仅供参考，不做长期结论。
主要变化
- DeepSeek V4 Pro：主榜上升20.1分，代码执行+25分，材料约束+14.1分
- GPT-o3：主榜上升13.3分，代码执行+20分，材料约束+5分
- Qwen3 Max：主榜上升11.8分，代码执行+37.8分，材料约束-20分
- Gemini 2.5 Pro：主榜上升8.5分，材料约束+20.9分
- Claude Opus 4.7：主榜上升6.3分，材料约束+14.1分
需要关注的信号
- Grok 4：代码执行暴跌 -19.5 分
- Qwen3 Max：材料约束暴跌 -20 分
- GLM-4.6：数据不完整（缺 execution,grounding,judgment,integrity,communication 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 #255 | 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