2026-08-12 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 98.41 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 | 98.41 | 97.1 | 100 | pass |
| #2 | Gemini 2.5 Pro | 88.53 | 99.6 | 75 | pass |
| #3 | Claude Opus 4.7 | 86.03 | 74.6 | 100 | pass |
| #4 | GLM-4.6 | 79.38 | 62.5 | 100 | pass |
| #5 | Claude Sonnet 4.6 | 75 | 75 | 75 | pass |
| #6 | Gemini 3.1 Pro | 75 | 75 | 75 | pass |
| #7 | GPT-o3 | 75 | 75 | 75 | pass |
| #8 | 豆包 Pro | 74.62 | 74.3 | 75 | pass |
| #9 | DeepSeek V4 Pro | 70.12 | 74.3 | 65 | pass |
| #10 | Qwen3 Max | 62.71 | 73.1 | 50 | pass |
| #11 | GPT-5.5 | 61.25 | 50 | 75 | pass |
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98.41位居首位，其代码执行97.1、材料约束100，两种能力均保持高位。Gemini 2.5 Pro主榜88.53，代码执行99.6但材料约束仅75，显示其在代码执行维度突出。Claude Opus 4.7主榜86.03，材料约束100而代码执行74.6，体现材料约束的相对优势。GLM-4.6主榜79.38，代码执行62.5、材料约束100，同样依赖材料约束得分支撑整体表现。
多模型出现显著分数变化。GPT-5.5主榜下降21.9分，代码执行下降50分、材料约束上升12.4分；Gemini 3.1 Pro主榜下降19.7分，代码执行下降25分、材料约束下降13.3分；Qwen3 Max主榜下降18.9分，代码执行下降14.4分、材料约束下降24.3分；DeepSeek V4 Pro主榜下降17.9分，代码执行下降25.7分、材料约束下降8.3分；Claude Sonnet 4.6主榜下降10.7分，代码执行下降25分、材料约束上升6.7分。这些单日波动可能源于题目抽样差异，也可能反映模型在特定能力上的不稳定，需后续同口径run复核确认。
异常信号方面，GLM-4.6诚信评级降为Fail，此前记录为fail→pass。该变化在小样本单日测试中出现，具体原因尚需更多run数据验证，以区分偶然波动与真实退化。整体解读仅基于当日分数结构，避免对模型长期表现下结论。
主要变化
- GPT-5.5：主榜下降21.9分，代码执行-50分，材料约束+12.4分
- Gemini 3.1 Pro：主榜下降19.7分，代码执行-25分，材料约束-13.3分
- Qwen3 Max：主榜下降18.9分，代码执行-14.4分，材料约束-24.3分
- DeepSeek V4 Pro：主榜下降17.9分，代码执行-25.7分，材料约束-8.3分
- Claude Sonnet 4.6：主榜下降10.7分，代码执行-25分，材料约束+6.7分
需要关注的信号
- GLM-4.6：诚信评级降为 Fail (fail→pass)
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 #275 | 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