2026-08-05 赢政指数 Smoke 快测覆盖 9 个模型，DeepSeek V4 Pro 与 GPT-5.5 与 GPT-o3 以 80.52 分并列当日首位。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 | 80.52 | 100 | 56.7 | pass |
| #2 | GPT-5.5 | 80.52 | 100 | 56.7 | pass |
| #3 | GPT-o3 | 80.52 | 100 | 56.7 | pass |
| #4 | Claude Sonnet 4.6 | 74.09 | 96.9 | 46.2 | pass |
| #5 | Gemini 2.5 Pro | 73.74 | 81.3 | 64.5 | pass |
| #6 | Claude Opus 4.7 | 71.94 | 75 | 68.2 | pass |
| #7 | Gemini 3.1 Pro | 55.52 | 75 | 31.7 | pass |
| #8 | Grok 4 | 55.52 | 75 | 31.7 | pass |
| #9 | Qwen3 Max | 49.72 | 71.9 | 22.6 | pass |
数据解读
今日赢政指数Smoke快测中，DeepSeek V4 Pro、GPT-5.5与GPT-o3并列主榜80.52，其代码执行均为100、材料约束均为56.7，显示出代码执行满分而材料约束中等的结构搭配。Claude Sonnet 4.6主榜74.09，代码执行96.9、材料约束46.2，同样呈现代码执行强势、材料约束偏弱的特征。Gemini 2.5 Pro主榜73.74，代码执行81.3、材料约束64.5，则在两项指标上形成相对均衡但整体偏低的组合。Claude Opus 4.7主榜71.94，代码执行75、材料约束68.2，材料约束得分高于代码执行，形成另一类搭配。
与上一同口径run相比，Qwen3 Max主榜下降35.1分，代码执行下降20.8分、材料约束下降52.6分；Grok 4主榜下降28.8分，代码执行下降25分、材料约束下降33.5分；Gemini 3.1 Pro主榜下降27.6分，代码执行下降22分、材料约束下降34.4分。这些降幅集中在材料约束与代码执行两项，需后续run复核以区分题目抽样波动还是真实退化。Smoke快测为小样本单日信号，当前数据仅反映当日表现，不构成长期判断依据。
整体来看，头部模型多依赖代码执行高分支撑主榜，而材料约束得分普遍较低，形成明显结构差异。异动模型的同步下滑提示可能存在单日测试波动，需通过多轮复测确认稳定性。
主要变化
- Qwen3 Max：主榜下降35.1分，代码执行-20.8分，材料约束-52.6分
- Grok 4：主榜下降28.8分，代码执行-25分，材料约束-33.5分
- Gemini 3.1 Pro：主榜下降27.6分，代码执行-22分，材料约束-34.4分
- Claude Opus 4.7：主榜下降17.5分，代码执行-22分，材料约束-12分
- Gemini 2.5 Pro：主榜下降15.8分，代码执行-18.7分，材料约束-12.3分
需要关注的信号
- 本次未保留可发布的异常信号。
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 #262 | 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