根据2026-07-08至2026-07-12的Smoke评测数据，Gemini 2.5 Pro在7天内趋势上升34.3分，从首日59.9分升至末日94.24分，均值75.9分，波动34.3分。
上升模型的得分轨迹
豆包Pro趋势上升20.2分，从首日71.83分升至末日91.99分，均值82.8分，波动20.2分。Claude Opus 4.7趋势上升15.6分，从81.44分升至96.99分，均值84.3分，波动25.7分。Qwen3 Max趋势上升16.4分，从77.83分升至94.24分，均值79.6分，波动24分。GPT-5.5趋势上升14.2分，从66.09分升至80.27分，均值75.4分，波动14.2分。Gemini 3.1 Pro趋势上升19.5分，从61分升至80.49分，均值76.6分，波动28.2分。Grok 4趋势上升5.3分，从91.69分升至96.99分，均值86分，波动22.4分。Claude Sonnet 4.6趋势上升10.7分，从86.28分升至96.99分，均值82.4分，波动31分。DeepSeek V4 Pro趋势上升1.8分，从95.19分升至96.99分，均值86分，波动29.3分。GLM-4.6趋势上升13.8分，从38.75分升至52.5分，均值52.7分，波动40.5分。
唯一下降模型的表现
GPT-o3趋势下降3.2分，从首日83.44分降至末日80.27分，均值82.5分，波动仅6.6分。该模型在连续7天内得分保持相对平稳，未出现大幅跳跃。
高波动模型的成因分析
GLM-4.6波动40.5分，远高于其他模型，其得分从38.75分到52.5分区间大幅摆动。Gemini 2.5 Pro波动34.3分，Claude Sonnet 4.6波动31分，DeepSeek V4 Pro波动29.3分。这些波动源于Smoke每天10题快测中模型对同类题目的回答一致性差异。稳定性维度公式max(0, 100-stddev×2)直接反映分数标准差，GLM-4.6的高标准差导致其稳定性得分偏低。
诚信评级变化的信号
GLM-4.6诚信评级从fail转为pass再转为warn，连续出现warn信号。豆包Pro、GPT-5.5、Grok 4均出现pass到warn再回pass的波动。诚信评级作为准入门槛，这些warn记录直接影响模型在材料约束和代码执行维度的可信度。
对使用者的具体含义
重代码执行的团队应优先选择DeepSeek V4 Pro，其均值86分且末日96.99分，波动29.3分但整体位置稳定。对材料忠实度敏感的场景需避开GLM-4.6，因其诚信评级warn和40.5分波动可能导致输出不一致。依赖连续任务的开发者可参考GPT-o3，其波动仅6.6分，适合需要稳定输出的场景。
战略判断
DeepSeek V4 Pro均值86分且趋势正向，当前被低估。GLM-4.6高波动加诚信warn，当前被高估。Gemini 2.5 Pro34.3分趋势值得下期继续验证其一致性来源。GPT-o3的-3.2分下降是唯一负向信号，需关注其后续材料约束表现。
7天数据仅覆盖Smoke每天10题样本，上升模型如Gemini 2.5 Pro和豆包Pro在末日得分已接近96.99分上限，显示材料约束维度改善。下降模型GPT-o3均值仍保持82.5分，高于多数上升模型的均值，说明其基线能力未受趋势影响。
波动超过30分的模型包括GLM-4.6、Gemini 2.5 Pro、Claude Sonnet 4.6，这些模型在工程判断侧榜和任务表达侧榜的潜在不稳定性需要企业选型时额外测试。诚信评级warn的模型在integrity维度已触发门槛，实际部署前需单独审计代码执行和grounding得分。
数据来源：赢政指数 (YZ Index) | Run #226 | 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