2026-07-22 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 98.35 分位居当日首位。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 | Grok 4 | 98.35 | 97 | 100 | pass |
| #2 | Claude Sonnet 4.6 | 96.7 | 94 | 100 | warn |
| #3 | DeepSeek V4 Pro | 96.7 | 94 | 100 | pass |
| #4 | GPT-5.5 | 96.7 | 94 | 100 | pass |
| #5 | Claude Opus 4.7 | 92.61 | 94 | 90.9 | pass |
| #6 | Qwen3 Max | 92.61 | 94 | 90.9 | pass |
| #7 | GPT-o3 | 87.94 | 88.3 | 87.5 | warn |
| #8 | 豆包 Pro | 87.1 | 97 | 75 | pass |
| #9 | GLM-4.6 | 74 | 97 | 75 | fail |
| #10 | Gemini 3.1 Pro | 71.7 | 69 | 75 | pass |
| #11 | Gemini 2.5 Pro | 55.63 | 50 | 62.5 | pass |
数据解读
今日赢政指数Smoke快测中，头部模型在代码执行与材料约束的搭配上呈现明显分化。Grok 4以主榜98.35领先，代码执行97、材料约束100，诚信pass；Claude Sonnet 4.6、DeepSeek V4 Pro与GPT-5.5三者主榜同为96.7，代码执行94、材料约束100，诚信分别为warn、pass、pass。Claude Opus 4.7与Qwen3 Max主榜92.61，代码执行94、材料约束90.9，诚信pass。豆包Pro代码执行97但材料约束仅75，主榜87.1；GLM-4.6同样代码执行97、材料约束75，主榜74且诚信fail。
显著异动模型中，Gemini 2.5 Pro主榜55.63，较同口径run下降24.6分，代码执行50、材料约束62.5；Claude Opus 4.7主榜上升18.7分，代码执行与材料约束分别上升19与18.3分；Qwen3 Max主榜上升13.2分，材料约束上升18.3分；GLM-4.6代码执行上升47分但诚信由pass转为fail；Grok 4材料约束上升16.7分。GPT-o3主榜87.94，较前次下降8.3分。
上述分数变化可能源于单日10题抽样波动，亦可能反映模型在特定约束下的真实表现差异，需后续同口径run复核确认。Smoke快测为小样本单日信号，解读仅限于当日数据对比，不做长期推断。
主要变化
- Gemini 2.5 Pro：主榜下降24.6分，代码执行-20.8分，材料约束-29.2分
- Claude Opus 4.7：主榜上升18.7分，代码执行+19分，材料约束+18.3分
- Qwen3 Max：主榜上升13.2分，代码执行+9分，材料约束+18.3分
- GLM-4.6：主榜上升11.2分，代码执行+47分，诚信pass→fail
- Grok 4：主榜上升9.6分，材料约束+16.7分
需要关注的信号
- GPT-o3：主榜暴跌 -8.3 分
- GLM-4.6：诚信评级降为 Fail (pass→fail)
- Gemini 2.5 Pro：主榜暴跌 -24.6 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 #241 | 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