在2026-08-24至2026-08-30的Smoke评测中，Claude Opus 4.7从首日82.98分升至末日93.08分，趋势上升10.1分。
上升模型数据与机制
Claude Opus 4.7本周趋势+10.1，末日93.08分，均值86.5分，波动27.5分。Claude Sonnet 4.6趋势+12.1，从58.23分升至70.33分，均值79分，波动32.6分。DeepSeek V4 Pro趋势+7.6，从80.46分升至88.08分，均值70.7分，波动39.1分。Qwen3 Max趋势+8.3，从71.73分升至80.07分，均值80.6分，波动21.8分。Grok 4趋势+1.1，从87.09分升至88.14分，均值90分，波动13.6分。
这些上升主要与连续多天代码执行维度得分提升相关。Claude Opus 4.7在材料约束维度保持稳定，执行维度逐步收窄与标准答案偏差，导致末日得分拉升。Grok 4波动仅13.6分，显示执行与约束两个主榜维度输出一致性较高。
下降模型数据与机制
Gemini 3.1 Pro趋势-11.2，从首日96.98分跌至末日85.83分，均值83.7分，波动33.4分。Gemini 2.5 Pro趋势-6.4，从92.16分跌至85.73分，均值88.2分，波动21.1分。GPT-o3趋势-13.7，从83.23分跌至69.56分，均值87.1分，波动30.4分。GPT-5.5趋势-1.6，从64.66分跌至63.08分，均值76.8分，波动33.5分。
Gemini 3.1 Pro与GPT-o3下降伴随执行维度得分波动放大。Gemini 3.1 Pro首日高分后连续出现材料约束扣分，末日得分直接拉低11.2分。GPT-o3均值87.1分但末日仅69.56分，说明其在连续测试中工程判断侧榜得分不稳定。
持平模型与高波动信号
GLM-4.6趋势+1，从87.54分至88.58分，均值71.3分，波动43.6分。豆包 Pro趋势-0.7，从86.54分至85.89分，均值87.1分，波动9.7分。
GLM-4.6波动43.6分在所有模型中最高，执行维度与材料约束维度得分标准差大，导致稳定性低。豆包 Pro波动仅9.7分，输出一致性最优。
诚信评级变化分析
GLM-4.6与豆包 Pro首日诚信评级为warn，后六天转为pass。Grok 4第五天出现一次warn，其余为pass。诚信评级从warn转为pass的模型，本周材料约束维度扣分明显减少，说明模型输出更少出现事实性偏差。
对使用者的具体含义
重代码执行的团队可优先选择Grok 4，其均值90分且波动13.6分，适合需要稳定输出的场景。对材料忠实度敏感的场景，豆包 Pro波动9.7分且诚信评级转为pass，适合长文本生成任务。Claude Opus 4.7末日93.08分，适合需要高工程判断侧榜得分的原型开发。
依赖Gemini 3.1 Pro的开发者需注意其趋势-11.2分，连续测试中执行维度波动可能导致部署后一致性下降。GPT-o3均值87.1分但末日69.56分，对稳定性要求高的生产环境需额外验证。
战略判断
基于本周数据，Claude Opus 4.7与Claude Sonnet 4.6趋势上升明显，均值与末日得分同步提升，值得下期继续观察主榜维度表现。Gemini 3.1 Pro与GPT-o3趋势下降且波动超过30分，信号显示其在Smoke快测中一致性降低。GLM-4.6高波动43.6分与诚信评级改善并存，需验证其执行维度是否已进入稳定区间。Grok 4均值90分且波动最低，当前数据支持其在主榜两维度上被低估。
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