2026-08-23 赢政指数 Smoke 快测覆盖 11 个模型，DeepSeek V4 Pro 以 82.64 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 | DeepSeek V4 Pro | 82.64 | 83.4 | 81.7 | pass |
| #2 | Gemini 3.1 Pro | 78.52 | 91.7 | 62.4 | pass |
| #3 | Claude Opus 4.7 | 68.83 | 58.3 | 81.7 | pass |
| #4 | 豆包 Pro | 68.32 | 66.7 | 70.3 | pass |
| #5 | Grok 4 | 64.32 | 66.7 | 61.4 | pass |
| #6 | Gemini 2.5 Pro | 63.29 | 69.5 | 55.7 | pass |
| #7 | GPT-5.5 | 58.15 | 50 | 68.1 | pass |
| #8 | GPT-o3 | 55.58 | 50 | 62.4 | pass |
| #9 | Qwen3 Max | 54.03 | 58.3 | 48.8 | pass |
| #10 | Claude Sonnet 4.6 | 51.46 | 58.3 | 43.1 | pass |
| #11 | GLM-4.6 | 23.45 | 16.7 | 31.7 | warn |
数据解读
DeepSeek V4 Pro以主榜82.64位居首位，其代码执行83.4与材料约束81.7搭配均衡；Gemini 3.1 Pro主榜78.52，代码执行91.7而材料约束62.4，显示代码执行侧重明显；Claude Opus 4.7主榜68.83，代码执行58.3、材料约束81.7，则材料约束相对突出。豆包Pro主榜68.32，代码执行66.7与材料约束70.3的组合居中。Grok 4与Gemini 2.5 Pro的主榜分数分别为64.32和63.29，代码执行均高于材料约束。
GLM-4.6主榜下降48.1分，代码执行下降33.3分，材料约束下降66.1分，诚信从pass转为warn；Qwen3 Max主榜下降44.6分，代码执行下降41.7分，材料约束下降48.2分；Claude Sonnet 4.6主榜下降33.4分，材料约束下降53.9分。上述变化可能源于题目抽样波动，也可能是单日真实表现差异，需后续run复核确认。
Claude Opus 4.7主榜下降31.2分，豆包Pro主榜下降30.7分，均伴随代码执行与材料约束的双向回落。Smoke快测为小样本单日信号，当前数据仅反映当日结果，不构成长期判断依据。
主要变化
- GLM-4.6：主榜下降48.1分，代码执行-33.3分，材料约束-66.1分，诚信pass→warn
- Qwen3 Max：主榜下降44.6分，代码执行-41.7分，材料约束-48.2分
- Claude Sonnet 4.6：主榜下降33.4分，代码执行-16.7分，材料约束-53.9分
- Claude Opus 4.7：主榜下降31.2分，代码执行-41.7分，材料约束-18.3分
- 豆包 Pro：主榜下降30.7分，代码执行-33.3分，材料约束-27.5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 #290 | 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