2026-07-26 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 83.23 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 | DeepSeek V4 Pro | 83.23 | 69.5 | 100 | pass |
| #2 | Gemini 3.1 Pro | 81.11 | 86.1 | 75 | pass |
| #3 | 豆包 Pro | 77.47 | 69.5 | 87.2 | pass |
| #4 | Gemini 2.5 Pro | 73.51 | 69.5 | 78.4 | pass |
| #5 | GPT-o3 | 69.48 | 44.5 | 100 | pass |
| #6 | Grok 4 | 69.48 | 44.5 | 100 | pass |
| #7 | Claude Sonnet 4.6 | 64.75 | 44.5 | 89.5 | pass |
| #8 | GPT-5.5 | 59.76 | 44.5 | 78.4 | pass |
| #9 | Claude Opus 4.7 | 55.73 | 19.5 | 100 | pass |
| #10 | Qwen3 Max | 43.13 | 19.5 | 72 | pass |
数据解读
今日赢政指数Smoke快测中，DeepSeek V4 Pro以主榜83.23位居首位，其代码执行69.5搭配材料约束100的结构显示出材料约束端的突出表现；Gemini 3.1 Pro紧随其后，主榜81.11，代码执行86.1而材料约束75，体现了代码执行端的相对优势；豆包Pro主榜77.47，代码执行69.5、材料约束87.2，两项指标搭配较为均衡。排名靠前的模型在代码执行与材料约束的强弱组合上各有侧重，形成了当前的主榜格局。
与上一同口径run相比，Claude Sonnet 4.6主榜下降32.2分，代码执行下降50分、材料约束下降10.5分；Grok 4主榜下降27.5分，代码执行下降50分；GPT-5.5主榜下降27.4分，代码执行下降50分；Claude Opus 4.7主榜下降22.7分，代码执行下降50分而材料约束上升10.7分；GPT-o3主榜下降11.4分，代码执行下降50分而材料约束上升35.7分。这些变化集中体现在代码执行指标上，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差异，需后续run复核以确认信号稳定性。
Smoke作为小样本单日信号，上述分数结构分析仅反映当日数据特点，未对模型整体能力做出长期判断。
主要变化
- Claude Sonnet 4.6：主榜下降32.2分，代码执行-50分，材料约束-10.5分
- Grok 4：主榜下降27.5分，代码执行-50分
- GPT-5.5：主榜下降27.4分，代码执行-50分
- Claude Opus 4.7：主榜下降22.7分，代码执行-50分，材料约束+10.7分
- GPT-o3：主榜下降11.4分，代码执行-50分，材料约束+35.7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 #246 | 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