2026-07-21 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 GPT-o3 以 96.27 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 Sonnet 4.6 | 96.27 | 100 | 91.7 | pass |
| #2 | GPT-o3 | 96.27 | 100 | 91.7 | pass |
| #3 | 豆包 Pro | 92.49 | 100 | 83.3 | pass |
| #4 | Grok 4 | 88.8 | 93.3 | 83.3 | pass |
| #5 | DeepSeek V4 Pro | 87.87 | 86.7 | 89.3 | pass |
| #6 | GPT-5.5 | 87.67 | 100 | 72.6 | pass |
| #7 | Gemini 2.5 Pro | 80.21 | 70.8 | 91.7 | pass |
| #8 | Qwen3 Max | 79.42 | 85 | 72.6 | pass |
| #9 | Gemini 3.1 Pro | 75.9 | 78.6 | 72.6 | pass |
| #10 | Claude Opus 4.7 | 73.92 | 75 | 72.6 | pass |
| #11 | GLM-4.6 | 62.83 | 50 | 78.5 | pass |
数据解读
今日主榜前两名Claude Sonnet 4.6与GPT-o3均取得96.27分，二者代码执行均为100、材料约束均为91.7，在代码执行与材料约束的强弱搭配上呈现均衡结构。豆包Pro代码执行同样为100、材料约束83.3，主榜92.49；Grok 4代码执行93.3、材料约束83.3，主榜88.8；DeepSeek V4 Pro代码执行86.7、材料约束89.3，主榜87.87，显示不同模型在两项指标上的搭配差异。
Claude Sonnet 4.6较上一同口径run主榜上升31.9分，代码执行上升28.1分，材料约束上升36.5分；GPT-o3主榜上升13.6分，代码执行上升25分；Qwen3 Max主榜上升12.1分，代码执行上升19.4分；Gemini 2.5 Pro主榜上升10.2分，代码执行上升20.8分。Claude Opus 4.7则主榜下降26.1分，代码执行下降25分，材料约束下降27.4分。
Gemini 3.1 Pro材料约束暴跌17.8分，Claude Opus 4.7主榜暴跌26.1分，GLM-4.6材料约束暴跌21.5分，这些异常信号可能源于题目抽样波动，也可能是真实退化，需后续run复核。Smoke快测为小样本单日信号，相关解读保持克制。
主要变化
- Claude Sonnet 4.6：主榜上升31.9分，代码执行+28.1分，材料约束+36.5分
- Claude Opus 4.7：主榜下降26.1分，代码执行-25分，材料约束-27.4分
- GPT-o3：主榜上升13.6分，代码执行+25分
- Qwen3 Max：主榜上升12.1分，代码执行+19.4分，诚信warn→pass
- Gemini 2.5 Pro：主榜上升10.2分，代码执行+20.8分
需要关注的信号
- Gemini 3.1 Pro：材料约束暴跌 -17.8 分
- Claude Opus 4.7：主榜暴跌 -26.1 分
- GLM-4.6：材料约束暴跌 -21.5 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 #240 | 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