2026-08-30 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 93.08 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 | 93.08 | 91.5 | 95 | pass |
| #2 | GLM-4.6 | 88.58 | 91.5 | 85 | pass |
| #3 | Grok 4 | 88.14 | 90.7 | 85 | pass |
| #4 | DeepSeek V4 Pro | 88.08 | 91.5 | 83.9 | pass |
| #5 | 豆包 Pro | 85.89 | 90.7 | 80 | pass |
| #6 | Gemini 3.1 Pro | 85.83 | 91.5 | 78.9 | pass |
| #7 | Gemini 2.5 Pro | 85.73 | 94.5 | 75 | pass |
| #8 | Qwen3 Max | 80.07 | 91.5 | 66.1 | pass |
| #9 | Claude Sonnet 4.6 | 70.33 | 66.5 | 75 | pass |
| #10 | GPT-o3 | 69.56 | 66.5 | 73.3 | pass |
| #11 | GPT-5.5 | 63.08 | 66.5 | 58.9 | pass |
数据解读
今日主榜前五模型中，Claude Opus 4.7以代码执行91.5与材料约束95的搭配取得主榜93.08，材料约束得分在所有模型中最高；GLM-4.6与DeepSeek V4 Pro同样代码执行91.5，但材料约束分别为85与83.9，主榜分值88.58与88.08。Gemini 2.5 Pro代码执行94.5但材料约束仅75，主榜85.73，显示代码执行与材料约束强弱搭配差异直接影响整体排序。
GPT-o3主榜下降13.7分，其中代码执行下降8.5分、材料约束下降20分；Claude Sonnet 4.6主榜下降12.9分，代码执行下降8.5分、材料约束下降18.3分；Qwen3 Max材料约束下降27.2分。Gemini 3.1 Pro主榜下降10.8分，代码执行下降7.8分、材料约束下降14.4分。这些变化可能源于题目抽样波动，也可能是单日真实表现差异，需后续同口径run复核确认。
异常信号方面，Grok 4主榜暴跌8.8分，Gemini 3.1 Pro主榜暴跌10.8分，Qwen3 Max主榜暴跌11.8分，Claude Sonnet 4.6主榜暴跌12.9分，GPT-o3主榜暴跌13.7分，GPT-5.5材料约束暴跌16.7分。Smoke测试为小样本单日信号，以上异动需更多run数据验证其稳定性。
主要变化
- GPT-o3：主榜下降13.7分，代码执行-8.5分，材料约束-20分
- Claude Sonnet 4.6：主榜下降12.9分，代码执行-8.5分，材料约束-18.3分
- Qwen3 Max：主榜下降11.8分，材料约束-27.2分
- Gemini 3.1 Pro：主榜下降10.8分，代码执行-7.8分，材料约束-14.4分
- Claude Opus 4.7：主榜上升9.8分，代码执行+16.5分
需要关注的信号
- Grok 4：主榜暴跌 -8.8 分
- Gemini 3.1 Pro：主榜暴跌 -10.8 分
- Qwen3 Max：主榜暴跌 -11.8 分
- Claude Sonnet 4.6：主榜暴跌 -12.9 分
- GPT-o3：主榜暴跌 -13.7 分
- GPT-5.5：材料约束暴跌 -16.7 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 #300 | 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