2026-09-20 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 96.99 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 | 96.99 | 100 | 93.3 | pass |
| #2 | 豆包 Pro | 94.35 | 99.3 | 88.3 | pass |
| #3 | Claude Sonnet 4.6 | 89.52 | 100 | 76.7 | pass |
| #4 | Qwen3 Max | 89.52 | 100 | 76.7 | pass |
| #5 | GPT-5.5 | 86.5 | 100 | 70 | pass |
| #6 | DeepSeek V4 Pro | 75.77 | 75 | 76.7 | pass |
| #7 | Gemini 3.1 Pro | 75.38 | 74.3 | 76.7 | pass |
| #8 | Grok 4 | 75.38 | 74.3 | 76.7 | pass |
| #9 | GPT-o3 | 72.75 | 75 | 70 | pass |
| #10 | Gemini 2.5 Pro | 67.24 | 50 | 88.3 | pass |
数据解读
从分数结构看，Claude Opus 4.7以代码执行100、材料约束93.3拿下主榜96.99，豆包Pro代码执行99.3、材料约束88.3获得94.35，显示两者在两项指标上形成较均衡搭配。Claude Sonnet 4.6与Qwen3 Max均以代码执行100、材料约束76.7并列89.52，GPT-5.5代码执行100、材料约束70位列86.5，头部模型普遍呈现代码执行高位、材料约束中上的特征。
DeepSeek V4 Pro主榜较前次上升20.8分，其中代码执行上升50分至75、材料约束下降15分至76.7；豆包Pro主榜上升17.5分、材料约束上升34.8分至88.3；Gemini 3.1 Pro主榜上升16.5分、代码执行上升24.3分至74.3。Grok 4主榜下降13分、代码执行下降22.4分至74.3；Gemini 2.5 Pro代码执行下降23.7分至50。GLM-4.6因维度数据不完整未参与排名。
材料约束暴跌15分的DeepSeek V4 Pro、主榜暴跌13分的Grok 4以及代码执行暴跌23.7分的Gemini 2.5 Pro，异常信号可能源于单日题目抽样波动，也可能是真实表现退化，需后续run复核确认。Smoke快测为小样本单日信号，以上解读保持克制，未做长期判断。
主要变化
- DeepSeek V4 Pro：主榜上升20.8分，代码执行+50分，材料约束-15分
- 豆包 Pro：主榜上升17.5分，材料约束+34.8分
- Gemini 3.1 Pro：主榜上升16.5分，代码执行+24.3分，材料约束+6.9分
- Grok 4：主榜下降13分，代码执行-22.4分，诚信warn→pass
- Qwen3 Max：主榜上升12.5分，材料约束+26.2分，诚信warn→pass
需要关注的信号
- DeepSeek V4 Pro：材料约束暴跌 -15 分
- Grok 4：主榜暴跌 -13 分
- Gemini 2.5 Pro：代码执行暴跌 -23.7 分
- GLM-4.6：数据不完整（缺 execution,grounding,judgment,integrity,communication 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 #330 | 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