Grok 4以89.3分居首：2026-07-29 Smoke快测数据简报

2026-07-29 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 89.3 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，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89.3位居首位，其代码执行97.8、材料约束78.9的组合形成均衡优势；DeepSeek V4 Pro代码执行达到100，但材料约束仅63.4，主榜83.53位列第二；豆包Pro代码执行97、材料约束63.4，主榜81.88紧随其后。相比之下，GPT-o3代码执行72.5却以材料约束87.9取得主榜79.43，Gemini 3.1 Pro代码执行78.6、材料约束76.6，主榜77.7，显示材料约束较强的模型在整体排名中仍具竞争力。

显著变化方面，Claude Opus 4.7主榜上升20.3，代码执行提升50，材料约束下降16.1；GPT-5.5主榜下降27，代码执行下降25，材料约束下降29.4；Gemini 3.1 Pro主榜下降22.3，代码执行下降21.4，材料约束下降23.4；Gemini 2.5 Pro主榜下降18.7，代码执行下降20.8，材料约束下降16.1；GPT-o3主榜下降18.3，代码执行下降27.5，材料约束下降7.1。这些单日波动可能源于题目抽样波动，也可能反映模型真实表现的短期变化，需后续同口径run复核确认。

作为小样本单日信号，本次数据仅提供即时参考，未见异常信号记录，解读保持克制以避免过度推断。

主要变化

• GPT-5.5：主榜下降27分，代码执行-25分，材料约束-29.4分
• Gemini 3.1 Pro：主榜下降22.3分，代码执行-21.4分，材料约束-23.4分
• Claude Opus 4.7：主榜上升20.3分，代码执行+50分，材料约束-16.1分
• Gemini 2.5 Pro：主榜下降18.7分，代码执行-20.8分，材料约束-16.1分
• GPT-o3：主榜下降18.3分，代码执行-27.5分，材料约束-7.1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 #252 | 查看原始数据