2026-08-20 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 以 94.61 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 Sonnet 4.6 | 94.61 | 92 | 97.8 | pass |
| #2 | 豆包 Pro | 92.26 | 95 | 88.9 | pass |
| #3 | Claude Opus 4.7 | 90.16 | 92 | 87.9 | pass |
| #4 | Grok 4 | 89.88 | 83.4 | 97.8 | pass |
| #5 | Qwen3 Max | 89.22 | 90.3 | 87.9 | pass |
| #6 | GPT-5.5 | 88.27 | 92 | 83.7 | pass |
| #7 | GPT-o3 | 84.63 | 76.3 | 94.8 | pass |
| #8 | Gemini 3.1 Pro | 79.51 | 67 | 94.8 | pass |
| #9 | Gemini 2.5 Pro | 62.42 | 45 | 83.7 | pass |
| #10 | DeepSeek V4 Pro | 59.51 | 42 | 80.9 | pass |
| #11 | GLM-4.6 | 56.16 | 45 | 69.8 | warn |
数据解读
今日赢政指数Smoke快测中，Claude Sonnet 4.6以主榜94.61位居首位，其代码执行92与材料约束97.8形成均衡搭配；豆包Pro主榜92.26，代码执行95、材料约束88.9则呈现代码执行更强的结构；Claude Opus 4.7主榜90.16，代码执行92、材料约束87.9同样偏重代码执行。Grok 4主榜89.88，代码执行83.4、材料约束97.8则显示材料约束相对突出。头部模型在0.55×代码执行+0.45×材料约束公式下的得分差异，主要源于这两项指标的强弱组合。
与上一同口径run相比，Gemini 3.1 Pro主榜+31.2分，代码执行+20分、材料约束+44.8分；豆包Pro主榜+14.8分，代码执行-5分、材料约束+38.9分；GLM-4.6主榜+14.9分，代码执行+20分、材料约束+8.7分，诚信由pass转为warn。Gemini 2.5 Pro主榜-11.8分，代码执行-28.5分、材料约束+8.7分；GPT-5.5主榜-10.1分，代码执行-5分、材料约束-16.3分。这些变化可能源于题目抽样波动，也可能反映单日真实表现，需后续run复核确认。
异常信号方面，Claude Opus 4.7主榜暴跌-8.2分，GPT-5.5主榜暴跌-10.1分，GPT-o3代码执行暴跌-22.2分，Gemini 2.5 Pro主榜暴跌-11.8分。Smoke作为小样本单日信号，上述异动尚不足以区分偶然波动与模型退化，建议通过多轮复测观察稳定趋势。
主要变化
- Gemini 3.1 Pro：主榜上升31.2分，代码执行+20分，材料约束+44.8分
- GLM-4.6：主榜上升14.9分，代码执行+20分，材料约束+8.7分，诚信pass→warn
- 豆包 Pro：主榜上升14.8分，代码执行-5分，材料约束+38.9分
- Gemini 2.5 Pro：主榜下降11.8分，代码执行-28.5分，材料约束+8.7分
- GPT-5.5：主榜下降10.1分，代码执行-5分，材料约束-16.3分
需要关注的信号
- Claude Opus 4.7：主榜暴跌 -8.2 分
- GPT-5.5：主榜暴跌 -10.1 分
- GPT-o3：代码执行暴跌 -22.2 分
- Gemini 2.5 Pro：主榜暴跌 -11.8 分
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 #286 | 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