2026-09-18 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 100 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 | 100 | 100 | 100 | pass |
| #2 | GPT-o3 | 99.01 | 100 | 97.8 | pass |
| #3 | Claude Sonnet 4.6 | 94.34 | 99.6 | 87.9 | pass |
| #4 | GPT-5.5 | 92.26 | 95 | 88.9 | pass |
| #5 | Gemini 2.5 Pro | 90.91 | 100 | 79.8 | pass |
| #6 | 豆包 Pro | 83.5 | 70 | 100 | warn |
| #7 | Qwen3 Max | 82.42 | 89.3 | 74 | pass |
| #8 | Grok 4 | 81.17 | 75 | 88.7 | pass |
| #9 | Gemini 3.1 Pro | 69.75 | 45 | 100 | pass |
| #10 | DeepSeek V4 Pro | 67.51 | 50 | 88.9 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Opus 4.7以主榜100、代码执行100、材料约束100的结构位居首位，其代码执行与材料约束形成完全均衡搭配。GPT-o3主榜99.01，代码执行100、材料约束97.8，显示代码执行端保持满分而材料约束略低。Claude Sonnet 4.6主榜94.34，代码执行99.6、材料约束87.9，同样呈现代码执行强于材料约束的搭配。Gemini 2.5 Pro主榜90.91，代码执行100、材料约束79.8，进一步凸显高代码执行、低材料约束的特征。相比之下，豆包Pro主榜83.5，代码执行70、材料约束100，则体现材料约束满分而代码执行偏弱的互补结构。
显著变化方面，Claude Opus 4.7主榜较上一同口径run上升33.2分，其中代码执行上升53分、材料约束上升9.1分；Qwen3 Max主榜上升27.8分，代码执行上升64.3分但材料约束下降16.9分；GPT-o3主榜上升21.6分，代码执行上升28分、材料约束上升13.7分。这些升幅主要来自代码执行维度的拉动，材料约束端则出现分化。Qwen3 Max材料约束暴跌16.9分可能源于单日题目抽样波动，也存在真实退化的可能，需后续run复核以确认信号稳定性。GLM-4.6因API故障导致数据不完整，本期未参与排名。
整体来看，头部模型在代码执行与材料约束的强弱搭配上各有侧重，异动模型的得分变化集中在代码执行维度，材料约束端波动相对有限。Smoke作为小样本单日信号，上述观察仅反映当日数据特征，不构成长期判断依据。
主要变化
- Claude Opus 4.7：主榜上升33.2分，代码执行+53分，材料约束+9.1分
- Qwen3 Max：主榜上升27.8分，代码执行+64.3分，材料约束-16.9分
- GPT-o3：主榜上升21.6分，代码执行+28分，材料约束+13.7分
- DeepSeek V4 Pro：主榜上升19.7分，材料约束+43.7分
- Claude Sonnet 4.6：主榜上升17.9分，代码执行+27.6分，材料约束+6.1分
需要关注的信号
- Qwen3 Max：材料约束暴跌 -16.9 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 #328 | 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