2026-08-15 赢政指数 Smoke 快测覆盖 9 个模型，Claude Opus 4.7 以 82.55 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 | 82.55 | 99.6 | 61.7 | pass |
| #2 | Claude Sonnet 4.6 | 80.52 | 100 | 56.7 | pass |
| #3 | GPT-o3 | 69.02 | 75 | 61.7 | pass |
| #4 | Qwen3 Max | 69.02 | 75 | 61.7 | pass |
| #5 | 豆包 Pro | 68.52 | 75 | 60.6 | pass |
| #6 | GPT-5.5 | 64.02 | 75 | 50.6 | pass |
| #7 | Grok 4 | 59 | 50 | 70 | pass |
| #8 | Gemini 3.1 Pro | 41.52 | 25 | 61.7 | pass |
| #9 | Gemini 2.5 Pro | 31.26 | 25 | 38.9 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Opus 4.7以主榜82.55位居首位，其代码执行99.6与材料约束61.7的搭配显示出代码执行维度明显强于材料约束；Claude Sonnet 4.6主榜80.52紧随其后，代码执行100、材料约束56.7的结构同样呈现代码执行高位、材料约束相对较低的特点。GPT-o3与Qwen3 Max主榜同为69.02，代码执行均为75、材料约束均为61.7，头部模型普遍依靠代码执行拉高整体分数，而材料约束得分则形成明显分层。
显著变化方面，GPT-o3主榜+28.9分、代码执行+30分、材料约束+27.6分，豆包 Pro主榜+16.2分、代码执行+13.3分、材料约束+19.8分，Qwen3 Max主榜+15.7分、代码执行+30分，Claude Sonnet 4.6主榜+12.4分、代码执行+30分、材料约束-9.1分，Claude Opus 4.7主榜+10.3分、代码执行+29.6分、材料约束-13.2分，这些模型的代码执行维度多出现较大幅度提升。GPT-5.5材料约束暴跌-15.2分属于异常信号，可能源于题目抽样波动，也可能是真实退化迹象，需后续run复核确认。DeepSeek V4 Pro与GLM-4.6因缺execution维度、API故障/超时导致数据不完整，本期不参与排名，同样需补跑验证。
Smoke快测为小样本单日信号，以上分数结构与异动仅反映当日结果，措辞保持克制，未做长期推断。
主要变化
- GPT-o3：主榜上升28.9分，代码执行+30分，材料约束+27.6分
- 豆包 Pro：主榜上升16.2分，代码执行+13.3分，材料约束+19.8分
- Qwen3 Max：主榜上升15.7分，代码执行+30分
- Claude Sonnet 4.6：主榜上升12.4分，代码执行+30分，材料约束-9.1分
- Claude Opus 4.7：主榜上升10.3分，代码执行+29.6分，材料约束-13.2分
需要关注的信号
- GPT-5.5：材料约束暴跌 -15.2 分
- DeepSeek V4 Pro：数据不完整（缺 execution 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 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 #279 | 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