2026-08-06 赢政指数 Smoke 快测覆盖 9 个模型，Claude Sonnet 4.6 与 DeepSeek V4 Pro 以 92.17 分并列当日首位。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 | Claude Sonnet 4.6 | 92.17 | 100 | 82.6 | pass |
| #2 | DeepSeek V4 Pro | 92.17 | 100 | 82.6 | pass |
| #3 | GPT-o3 | 89.2 | 100 | 76 | pass |
| #4 | Claude Opus 4.7 | 87.36 | 100 | 71.9 | pass |
| #5 | GPT-5.5 | 87.36 | 100 | 71.9 | pass |
| #6 | Grok 4 | 82.99 | 83.3 | 82.6 | pass |
| #7 | Qwen3 Max | 80.48 | 87.5 | 71.9 | pass |
| #8 | Gemini 3.1 Pro | 73.61 | 75 | 71.9 | pass |
| #9 | Gemini 2.5 Pro | 71.3 | 70.8 | 71.9 | pass |
数据解读
今日主榜前五模型中，Claude Sonnet 4.6与DeepSeek V4 Pro并列92.17分，两者代码执行均为100、材料约束均为82.6；GPT-o3主榜89.2分，代码执行100、材料约束76；Claude Opus 4.7与GPT-5.5主榜87.36分，代码执行均为100、材料约束均为71.9。Grok 4主榜82.99分，代码执行83.3、材料约束82.6，呈现材料约束相对更强的搭配。Qwen3 Max主榜80.48分，代码执行87.5、材料约束71.9。
与上一同口径run相比，Qwen3 Max主榜上升30.8分，代码执行上升15.6分、材料约束上升49.3分；Grok 4主榜上升27.5分，代码执行上升8.3分、材料约束上升50.9分；Claude Sonnet 4.6主榜上升18.1分，材料约束上升36.4分；Gemini 3.1 Pro主榜上升18.1分，材料约束上升40.2分；Claude Opus 4.7主榜上升15.4分，代码执行上升25分。这些升幅均来自单日Smoke小样本，需后续run复核以区分题目抽样波动与真实变化。
豆包 Pro与GLM-4.6因API故障或超时出现数据不完整，分别缺失多个维度，本期未参与排名，已进入自动补跑。Smoke快测为小样本单日信号，以上观察仅反映当日分数结构搭配，未对模型长期表现作任何推断。
主要变化
- Qwen3 Max：主榜上升30.8分，代码执行+15.6分，材料约束+49.3分
- Grok 4：主榜上升27.5分，代码执行+8.3分，材料约束+50.9分
- Claude Sonnet 4.6：主榜上升18.1分，材料约束+36.4分
- Gemini 3.1 Pro：主榜上升18.1分，材料约束+40.2分
- Claude Opus 4.7：主榜上升15.4分，代码执行+25分
需要关注的信号
- 豆包 Pro：数据不完整（缺 execution,grounding,judgment,integrity,communication 维度，API 故障/超时），已进入自动补跑，本期不参与排名
- GLM-4.6：数据不完整（缺 execution,integrity 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 #264 | 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