2026-07-11 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 Claude Sonnet 4.6 与 GPT-o3 以 81.44 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 | 81.44 | 75 | 89.3 | pass |
| #2 | Claude Sonnet 4.6 | 81.44 | 75 | 89.3 | pass |
| #3 | GPT-o3 | 81.44 | 75 | 89.3 | pass |
| #4 | 豆包 Pro | 80.78 | 73.8 | 89.3 | warn |
| #5 | GPT-5.5 | 75 | 75 | 75 | pass |
| #6 | Grok 4 | 74.56 | 62.5 | 89.3 | pass |
| #7 | Qwen3 Max | 74.56 | 62.5 | 89.3 | pass |
| #8 | DeepSeek V4 Pro | 67.69 | 50 | 89.3 | pass |
| #9 | Gemini 3.1 Pro | 67.69 | 50 | 89.3 | pass |
| #10 | Gemini 2.5 Pro | 60.81 | 37.5 | 89.3 | pass |
| #11 | GLM-4.6 | 36.25 | 25 | 50 | warn |
数据解读
今日主榜前三名 Claude Opus 4.7、Claude Sonnet 4.6 与 GPT-o3 均取得 81.44 分，其代码执行均为 75、材料约束均为 89.3，显示这两类能力形成均衡搭配。豆包 Pro 以 80.78 分紧随，代码执行 73.8、材料约束 89.3，材料约束得分与前三持平，代码执行略低。排名靠后的 GLM-4.6 主榜仅 36.25，代码执行 25、材料约束 50，两种能力均处于较低区间。
与上一同口径 run 相比，GLM-4.6 主榜下降 22.9 分，代码执行下降 69.5 分、材料约束上升 34.1 分；Gemini 2.5 Pro 主榜下降 19.7 分，代码执行下降 56.2 分、材料约束上升 25 分；Gemini 3.1 Pro 主榜下降 16.9 分，代码执行下降 43.7 分、材料约束上升 15.9 分。Claude Sonnet 4.6 主榜上升 15.5 分，代码执行上升 5.5 分、材料约束上升 27.6 分。这些变化可能源于单日题目抽样波动，也可能反映模型真实表现差异，需后续 run 复核确认。Smoke 测试为小样本单日信号，以上观察仅供当日参考。
主要变化
- GLM-4.6：主榜下降22.9分，代码执行-69.5分，材料约束+34.1分
- Gemini 2.5 Pro：主榜下降19.7分，代码执行-56.2分，材料约束+25分
- Gemini 3.1 Pro：主榜下降16.9分，代码执行-43.7分，材料约束+15.9分
- Claude Sonnet 4.6：主榜上升15.5分，代码执行+5.5分，材料约束+27.6分
- DeepSeek V4 Pro：主榜下降14.2分，代码执行-40.9分，材料约束+18.5分
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 #225 | 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