豆包 Pro以96.7分居首：2026-08-02 Smoke快测数据简报

2026-08-02 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 96.7 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 Smoke 快测显示，豆包 Pro 主榜 96.7 领先，代码执行 94 与材料约束 100 的搭配突出材料约束满分优势。Gemini 2.5 Pro、GPT-o3、Grok 4、Qwen3 Max 均获主榜 96.1，代码执行 97、材料约束 95 的结构形成均衡得分。Claude Opus 4.7 至 GPT-5.5 等模型主榜 94.45，代码执行 94、材料约束 95，体现不同强弱搭配下的分值分布。

Claude Sonnet 4.6 主榜较上一同口径 run 提升 39.4 分，代码执行提升 42.4 分、材料约束提升 35.8 分；Gemini 2.5 Pro 主榜提升 35.3 分，代码执行提升 40.2 分、材料约束提升 29.3 分；GPT-5.5、Grok 4、GPT-o3 亦出现主榜 28.5 分至 16.8 分不等的提升。这些变化可能来自题目抽样波动，需后续 run 复核确认。

GLM-4.6 因数据不完整缺 integrity,communication 维度，本期不参与排名，已进入自动补跑。Smoke 快测为小样本单日信号，上述异动解读需保持克制。

主要变化

• Claude Sonnet 4.6：主榜上升39.4分，代码执行+42.4分，材料约束+35.8分
• Gemini 2.5 Pro：主榜上升35.3分，代码执行+40.2分，材料约束+29.3分
• GPT-5.5：主榜上升28.5分，代码执行+35.7分，材料约束+19.6分
• Grok 4：主榜上升26.5分，代码执行+22分，材料约束+32.1分
• GPT-o3：主榜上升16.8分，代码执行+15.2分，材料约束+18.8分

需要关注的信号

• GLM-4.6：数据不完整（缺 integrity,communication 维度，API 故障/超时），已进入自动补跑，本期不参与排名

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 #257 | 查看原始数据