2026-07-07 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Grok 4 以 96.99 分并列当日首位。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 | 96.99 | 100 | 93.3 | pass |
| #2 | Grok 4 | 96.99 | 100 | 93.3 | pass |
| #3 | Claude Sonnet 4.6 | 91.44 | 98.5 | 82.8 | pass |
| #4 | GPT-5.5 | 82.77 | 100 | 61.7 | pass |
| #5 | DeepSeek V4 Pro | 80.19 | 98.5 | 57.8 | pass |
| #6 | GPT-o3 | 76.24 | 100 | 47.2 | pass |
| #7 | Gemini 2.5 Pro | 68.94 | 98.5 | 32.8 | pass |
| #8 | Gemini 3.1 Pro | 68.01 | 100 | 28.9 | pass |
| #9 | 豆包 Pro | 67.51 | 100 | 27.8 | pass |
| #10 | Qwen3 Max | 61.34 | 76.1 | 43.3 | pass |
| #11 | GLM-4.6 | 24.26 | 0 | 53.9 | warn |
数据解读
今日 Smoke 快测显示，Claude Opus 4.7 与 Grok 4 主榜同为 96.99 分，二者代码执行均为 100、材料约束均为 93.3，形成代码执行满分搭配材料约束高分的结构；Claude Sonnet 4.6 主榜 91.44 分，代码执行 98.5、材料约束 82.8，材料约束得分低于前两者但仍维持较高主榜位置；GPT-5.5 主榜 82.77 分，代码执行 100、材料约束 61.7，呈现代码执行满分而材料约束较弱的搭配。
Claude Opus 4.7 主榜较前次 +26.8 分、代码执行 +50 分，Claude Sonnet 4.6 主榜 +19.9 分、代码执行 +48.5 分且材料约束 -15 分，Grok 4 主榜 +17.6 分、代码执行 +33.3 分，上述模型在代码执行维度出现明显提升；豆包 Pro 主榜 -16.4 分、材料约束 -67 分，GLM-4.6 主榜 -14.5 分、代码执行 -50 分且诚信从 pass 转为 warn。Smoke 作为小样本单日信号，上述变化可能源于题目抽样波动或真实退化，需后续 run 复核确认。
主要变化
- Claude Opus 4.7：主榜上升26.8分，代码执行+50分
- Claude Sonnet 4.6：主榜上升19.9分，代码执行+48.5分，材料约束-15分
- Grok 4：主榜上升17.6分，代码执行+33.3分
- 豆包 Pro：主榜下降16.4分，代码执行+25分，材料约束-67分
- GLM-4.6：主榜下降14.5分，代码执行-50分，材料约束+28.9分，诚信pass→warn
需要关注的信号
- 本次未保留可发布的异常信号。
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 #218 | 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