2026-08-19 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 GPT-5.5 以 98.35 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 | 98.35 | 97 | 100 | pass |
| #2 | GPT-5.5 | 98.35 | 97 | 100 | pass |
| #3 | Claude Sonnet 4.6 | 97.53 | 95.5 | 100 | pass |
| #4 | Grok 4 | 95.16 | 91.2 | 100 | pass |
| #5 | Qwen3 Max | 88.75 | 100 | 75 | pass |
| #6 | GPT-o3 | 87.93 | 98.5 | 75 | pass |
| #7 | 豆包 Pro | 77.5 | 100 | 50 | pass |
| #8 | Gemini 2.5 Pro | 74.18 | 73.5 | 75 | pass |
| #9 | DeepSeek V4 Pro | 58.78 | 45.5 | 75 | pass |
| #10 | Gemini 3.1 Pro | 48.35 | 47 | 50 | pass |
数据解读
今日主榜前三模型中，Claude Opus 4.7与GPT-5.5均以代码执行97、材料约束100取得98.35分，Claude Sonnet 4.6则以代码执行95.5、材料约束100获得97.53分，显示材料约束满分对整体排名的支撑作用突出。Qwen3 Max代码执行100但材料约束仅75，豆包Pro代码执行100而材料约束50，体现代码执行强而材料约束偏弱的搭配特征。Gemini 2.5 Pro代码执行73.5、材料约束75，主榜74.18分，处于中游位置。
Gemini 3.1 Pro主榜下降22.8分、材料约束下降45分，DeepSeek V4 Pro主榜下降11.5分、材料约束下降20分，GPT-o3主榜下降9分、材料约束下降20分，豆包Pro材料约束下降40.9分，这些异动可能源于单日题目抽样波动，也可能是模型在材料约束维度出现临时不稳定，需后续同口径run复核确认。GLM-4.6因API故障数据不完整，未参与本期排名。
Smoke快测为小样本单日信号，以上变化仅反映当日表现，不构成模型能力长期判断依据。
主要变化
- Gemini 3.1 Pro：主榜下降22.8分，材料约束-45分
- DeepSeek V4 Pro：主榜下降11.5分，材料约束-20分
- GPT-o3：主榜下降9分，材料约束-20分
- GPT-5.5：主榜上升7.8分，材料约束+20.9分
- Claude Sonnet 4.6：主榜上升5.7分，材料约束+18.2分
需要关注的信号
- GPT-o3：主榜暴跌 -9 分
- 豆包 Pro：材料约束暴跌 -40.9 分
- DeepSeek V4 Pro：主榜暴跌 -11.5 分
- Gemini 3.1 Pro：主榜暴跌 -22.8 分
- GLM-4.6：数据不完整（缺 grounding,judgment,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 #284 | 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