2026-07-24 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 84.21 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 | 84.21 | 96.4 | 69.3 | pass |
| #2 | 豆包 Pro | 73.92 | 75 | 72.6 | pass |
| #3 | GPT-5.5 | 73.92 | 75 | 72.6 | pass |
| #4 | Claude Opus 4.7 | 73.7 | 74.6 | 72.6 | pass |
| #5 | Gemini 2.5 Pro | 72.22 | 74.6 | 69.3 | pass |
| #6 | DeepSeek V4 Pro | 68.66 | 75 | 60.9 | pass |
| #7 | GPT-o3 | 64.92 | 75 | 52.6 | pass |
| #8 | Gemini 3.1 Pro | 59.47 | 58.3 | 60.9 | pass |
| #9 | Claude Sonnet 4.6 | 58.69 | 50 | 69.3 | pass |
| #10 | Qwen3 Max | 54.91 | 50 | 60.9 | pass |
数据解读
从分数结构看，Grok 4以代码执行96.4与材料约束69.3的搭配取得主榜84.21，领先优势主要来自代码执行的高分；豆包Pro与GPT-5.5均为主榜73.92，代码执行75、材料约束72.6，呈现较为均衡的分布；Claude Opus 4.7主榜73.7，代码执行74.6、材料约束72.6；Gemini 2.5 Pro主榜72.22，代码执行74.6、材料约束69.3。头部模型中，代码执行与材料约束的强弱搭配差异明显，部分模型在材料约束上与代码执行形成互补。
与上一同口径run相比，Qwen3 Max主榜下降27.1分，代码执行下降33.6分，材料约束下降19.2分；Claude Opus 4.7主榜下降23.3分，代码执行下降25.4分，材料约束下降20.7分；豆包Pro主榜下降14.9分，代码执行下降25分；Claude Sonnet 4.6主榜下降13.3分，代码执行下降25分；GPT-o3主榜下降10.1分，材料约束下降22.4分。这些变化可能源于题目抽样波动，也可能是单日信号的偶然表现，需后续run复核确认。
Smoke快测为小样本单日信号，以上解读仅基于今日数据，措辞保持克制，未对模型长期表现下结论。
主要变化
- Qwen3 Max：主榜下降27.1分，代码执行-33.6分，材料约束-19.2分
- Claude Opus 4.7：主榜下降23.3分，代码执行-25.4分，材料约束-20.7分
- 豆包 Pro：主榜下降14.9分，代码执行-25分
- Claude Sonnet 4.6：主榜下降13.3分，代码执行-25分
- GPT-o3：主榜下降10.1分，材料约束-22.4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 #244 | 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