Claude Opus 4.7以96.99分居首：2026-07-23 Smoke快测数据简报

2026-07-23 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 96.99 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

数据解读

今日赢政指数Smoke快测中，Claude Opus 4.7以主榜96.99位居首位，其代码执行100与材料约束93.3的搭配显示出两者均保持较高水准；豆包Pro主榜88.8，代码执行同样达到100但材料约束为75.1，体现代码执行侧的突出表现；Qwen3 Max主榜82.03，代码执行83.6与材料约束80.1形成相对均衡的结构。排名靠后的Gemini 2.5 Pro和Gemini 3.1 Pro主榜均为69.49，代码执行50而材料约束93.3，呈现材料约束侧的明显优势；GLM-4.6主榜55.74，代码执行25、材料约束93.3且诚信fail。

与上一同口径run相比，Claude Sonnet 4.6主榜下降24.7分，代码执行下降19分、材料约束下降31.6分；DeepSeek V4 Pro主榜同样下降24.7分，代码执行下降19分、材料约束下降31.6分；GPT-5.5主榜下降24.1分，代码执行下降22.1分、材料约束下降26.5分；GLM-4.6主榜下降18.3分，代码执行下降72分、材料约束上升18.3分；Grok 4主榜下降18.1分，代码执行下降12.4分、材料约束下降25分。这些分数变化可能源于题目抽样波动，也可能是模型真实退化所致，需后续run复核确认。

Smoke快测为小样本单日信号，以上观察仅反映当日数据结构特点，不做长期结论。

主要变化

• Claude Sonnet 4.6：主榜下降24.7分，代码执行-19分，材料约束-31.6分，诚信warn→pass
• DeepSeek V4 Pro：主榜下降24.7分，代码执行-19分，材料约束-31.6分
• GPT-5.5：主榜下降24.1分，代码执行-22.1分，材料约束-26.5分
• GLM-4.6：主榜下降18.3分，代码执行-72分，材料约束+18.3分
• Grok 4：主榜下降18.1分，代码执行-12.4分，材料约束-25分

需要关注的信号

• GLM-4.6：今日诚信评级为 fail（基于当日 Smoke 数据）。

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 #243 | 查看原始数据