2026-08-16 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 与 GPT-5.5 与 GPT-o3 与 Grok 4 以 86.25 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 Opus 4.7 | 86.25 | 75 | 100 | pass |
| #2 | GPT-5.5 | 86.25 | 75 | 100 | pass |
| #3 | GPT-o3 | 86.25 | 75 | 100 | pass |
| #4 | Grok 4 | 86.25 | 75 | 100 | pass |
| #5 | Claude Sonnet 4.6 | 75 | 75 | 75 | pass |
| #6 | Qwen3 Max | 75 | 75 | 75 | pass |
| #7 | DeepSeek V4 Pro | 70.44 | 66.7 | 75 | pass |
| #8 | 豆包 Pro | 70.44 | 66.7 | 75 | pass |
| #9 | Gemini 3.1 Pro | 70.44 | 66.7 | 75 | pass |
| #10 | Gemini 2.5 Pro | 54.38 | 37.5 | 75 | pass |
| #11 | GLM-4.6 | 48.75 | 37.5 | 62.5 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Opus 4.7、GPT-5.5、GPT-o3与Grok 4四款模型并列主榜86.25，其代码执行得分均为75、材料约束得分均为100，显示出材料约束维度满分而代码执行维度相对持平的结构搭配。Claude Sonnet 4.6与Qwen3 Max则以代码执行75、材料约束75取得主榜75，DeepSeek V4 Pro、豆包Pro、Gemini 3.1 Pro同以代码执行66.7、材料约束75获得主榜70.44，Gemini 2.5 Pro代码执行37.5、材料约束75对应主榜54.38，GLM-4.6代码执行37.5、材料约束62.5对应主榜48.75。
与上一同口径run相比，Gemini 3.1 Pro主榜上升28.9分、代码执行上升41.7分、材料约束上升13.3分，Grok 4主榜上升27.3分、代码执行上升25分、材料约束上升30分，Gemini 2.5 Pro主榜上升23.1分、代码执行上升12.5分、材料约束上升36.1分，GPT-5.5主榜上升22.2分且材料约束上升49.4分，GPT-o3主榜上升17.2分且材料约束上升38.3分。Claude Opus 4.7代码执行出现-24.6分变化，Claude Sonnet 4.6代码执行出现-25分变化。
上述代码执行维度的明显回落可能源于单日小样本抽样波动，也可能反映模型在特定约束场景下的真实表现差异，需后续同口径run复核确认。Smoke快测作为每日单日信号，当前数据仅供当日结构观察，不构成长期趋势判断。
主要变化
- Gemini 3.1 Pro：主榜上升28.9分，代码执行+41.7分，材料约束+13.3分
- Grok 4：主榜上升27.3分，代码执行+25分，材料约束+30分
- Gemini 2.5 Pro：主榜上升23.1分，代码执行+12.5分，材料约束+36.1分
- GPT-5.5：主榜上升22.2分，材料约束+49.4分
- GPT-o3：主榜上升17.2分，材料约束+38.3分
需要关注的信号
- Claude Opus 4.7：代码执行暴跌 -24.6 分
- Claude Sonnet 4.6：代码执行暴跌 -25 分
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 #280 | 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