2026-07-17 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 2.5 Pro 与 Gemini 3.1 Pro 以 92.44 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 | Gemini 2.5 Pro | 92.44 | 95 | 89.3 | pass |
| #2 | Gemini 3.1 Pro | 92.44 | 95 | 89.3 | pass |
| #3 | GLM-4.6 | 84.68 | 91.7 | 76.1 | pass |
| #4 | Claude Opus 4.7 | 84.52 | 80.6 | 89.3 | pass |
| #5 | DeepSeek V4 Pro | 81.93 | 86.7 | 76.1 | pass |
| #6 | 豆包 Pro | 81.93 | 86.7 | 76.1 | pass |
| #7 | GPT-o3 | 77.85 | 89.5 | 63.6 | pass |
| #8 | Grok 4 | 76.65 | 86.1 | 65.1 | pass |
| #9 | GPT-5.5 | 75.5 | 75 | 76.1 | pass |
| #10 | Qwen3 Max | 72.2 | 69 | 76.1 | pass |
| #11 | Claude Sonnet 4.6 | 54.78 | 46.9 | 64.4 | warn |
数据解读
今日赢政指数Smoke快测中，Gemini 2.5 Pro与Gemini 3.1 Pro并列主榜92.44分，代码执行95分、材料约束89.3分，显示两者在代码执行与材料约束的强强搭配上形成明显优势。GLM-4.6主榜84.68分依托代码执行91.7分拉动，而Claude Opus 4.7主榜84.52分则主要依赖材料约束89.3分支撑，两种结构在头部形成互补。GPT-o3代码执行89.5分但材料约束仅63.6分，主榜77.85分，反映出材料约束短板对其整体排名的限制。
与上一同口径run相比，Gemini 2.5 Pro主榜+33.9分、代码执行+61.7分，GLM-4.6主榜+13.5分、代码执行+33.4分，Gemini 3.1 Pro主榜+12分、代码执行+20分，上述模型的代码执行得分提升直接带动主榜变化。Grok 4主榜-17.5分、代码执行-13.9分、材料约束-21.9分，DeepSeek V4 Pro主榜-11.9分、代码执行-13.3分、材料约束-10.2分，Claude Sonnet 4.6主榜-8.4分，这些异动集中在单日小样本数据中。
DeepSeek V4 Pro、Grok 4与Claude Sonnet 4.6出现的主榜暴跌，可能源于题目抽样波动，也可能是模型在特定约束下的真实表现退化，需后续run复核以确认信号稳定性。Smoke快测作为小样本单日信号，当前解读仅限于今日数据对比，不做长期推断。
主要变化
- Gemini 2.5 Pro：主榜上升33.9分，代码执行+61.7分
- Grok 4：主榜下降17.5分，代码执行-13.9分，材料约束-21.9分
- GLM-4.6：主榜上升13.5分，代码执行+33.4分，材料约束-10.9分
- Gemini 3.1 Pro：主榜上升12分，代码执行+20分
- DeepSeek V4 Pro：主榜下降11.9分，代码执行-13.3分，材料约束-10.2分
需要关注的信号
- DeepSeek V4 Pro：主榜暴跌 -11.9 分
- Grok 4：主榜暴跌 -17.5 分
- Claude Sonnet 4.6：主榜暴跌 -8.4 分
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 #235 | 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