2026-08-14 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 72.21 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 | Claude Opus 4.7 | 72.21 | 70 | 74.9 | pass |
| #2 | Claude Sonnet 4.6 | 68.11 | 70 | 65.8 | pass |
| #3 | Grok 4 | 57.42 | 45 | 72.6 | pass |
| #4 | GPT-5.5 | 54.36 | 45 | 65.8 | pass |
| #5 | Qwen3 Max | 53.33 | 45 | 63.5 | pass |
| #6 | 豆包 Pro | 52.3 | 61.7 | 40.8 | pass |
| #7 | DeepSeek V4 Pro | 49.8 | 36.7 | 65.8 | pass |
| #8 | GPT-o3 | 40.1 | 45 | 34.1 | pass |
| #9 | Gemini 3.1 Pro | 38.55 | 36.7 | 40.8 | pass |
| #10 | Gemini 2.5 Pro | 22.25 | 20 | 25 | pass |
| #11 | GLM-4.6 | 22.25 | 20 | 25 | pass |
数据解读
今日Smoke快测中，头部模型在代码执行与材料约束的搭配上呈现差异。Claude Opus 4.7主榜72.21，代码执行70、材料约束74.9；Claude Sonnet 4.6主榜68.11，代码执行70、材料约束65.8，两者均维持较高代码执行水平。Grok 4主榜57.42，代码执行45、材料约束72.6，材料约束相对突出；GPT-5.5主榜54.36同样代码执行45、材料约束65.8，结构上偏向材料约束。
多模型出现大幅分数回落，GPT-o3主榜-57.2分、代码执行-50分、材料约束-65.9分，Gemini 2.5 Pro主榜-57.2分、代码执行-50分、材料约束-65.9分，GLM-4.6主榜-56.2分、代码执行-50分、材料约束-63.7分，Gemini 3.1 Pro主榜-45分、代码执行-33.3分、材料约束-59.2分，GPT-5.5主榜-42.9分、代码执行-50分、材料约束-34.2分。这些变化既可能是题目抽样波动所致，也可能是真实退化信号，需后续run复核确认。
Smoke作为小样本单日信号，仅反映当日代码执行与材料约束的即时搭配情况，措辞保持克制，不下长期结论。
主要变化
- GPT-o3：主榜下降57.2分，代码执行-50分，材料约束-65.9分
- Gemini 2.5 Pro：主榜下降57.2分，代码执行-50分，材料约束-65.9分
- GLM-4.6：主榜下降56.2分，代码执行-50分，材料约束-63.7分
- Gemini 3.1 Pro：主榜下降45分，代码执行-33.3分，材料约束-59.2分
- GPT-5.5：主榜下降42.9分，代码执行-50分，材料约束-34.2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 #278 | 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