2026-08-04 赢政指数 Smoke 快测覆盖 9 个模型，Gemini 2.5 Pro 以 89.56 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 | Gemini 2.5 Pro | 89.56 | 100 | 76.8 | pass |
| #2 | Claude Opus 4.7 | 89.44 | 97 | 80.2 | pass |
| #3 | DeepSeek V4 Pro | 87.91 | 97 | 76.8 | pass |
| #4 | GPT-5.5 | 87.19 | 97 | 75.2 | pass |
| #5 | Claude Sonnet 4.6 | 84.94 | 97 | 70.2 | pass |
| #6 | Qwen3 Max | 84.83 | 92.7 | 75.2 | pass |
| #7 | Grok 4 | 84.34 | 100 | 65.2 | pass |
| #8 | Gemini 3.1 Pro | 83.1 | 97 | 66.1 | pass |
| #9 | GPT-o3 | 80.07 | 88.3 | 70 | pass |
主要变化
- Qwen3 Max：主榜上升25.9分，代码执行+17.7分，材料约束+35.9分
- Gemini 3.1 Pro：主榜上升22.5分，代码执行+39.4分
- Claude Sonnet 4.6：主榜上升22分，代码执行+47分，材料约束-8.6分
- DeepSeek V4 Pro：主榜上升17.7分，代码执行+22分，材料约束+12.5分
- GPT-5.5：主榜上升12.4分，代码执行+13.7分，材料约束+10.9分
需要关注的信号
- 豆包 Pro：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
- GLM-4.6：数据不完整（缺 execution,judgment 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 #260 | 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