2026-07-06 赢政指数 Smoke 快测覆盖 11 个模型豆包 Pro 以 83.91 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豆包 Pro83.917594.8pass#2GPT-5.580.457587.1pass#3DeepSeek V4 Pro79.3566.794.8pass#4Gemini 3.1 Pro79.3566.794.8pass#5Grok 479.3566.794.8pass#6Claude Sonnet 4.671.515097.8pass#7Claude Opus 4.770.165094.8pass#8GPT-o370.165094.8pass#9Qwen3 Max70.165094.8warn#10Gemini 2.5 Pro67.344.894.8pass#11GLM-4.638.755025pass数据解读今日赢政指数Smoke快测中豆包Pro以主榜83.91位居首位其代码执行75与材料约束94.8的搭配形成均衡结构。GPT-5.5主榜80.45同样代码执行75但材料约束87.1显示在材料约束维度相对收窄。DeepSeek V4 Pro、Gemini 3.1 Pro与Grok 4三家主榜同为79.35代码执行均为66.7、材料约束均为94.8呈现代码执行偏弱而材料约束偏强的相似配比。Claude Sonnet 4.6主榜71.51代码执行50而材料约束97.8突出材料约束优势下的代码执行短板。GLM-4.6主榜较前次同口径run下降21.3分代码执行下降38.7分诚信由fail转为passGemini 2.5 Pro主榜下降16分代码执行下降42.7分材料约束上升16.6分GPT-o3主榜下降9.6分代码执行下降22分材料约束上升5.5分。以上变化发生在单日小样本测试中可能源于题目抽样波动也可能反映模型真实表现退化需后续run复核确认。整体来看头部模型在代码执行与材料约束的强弱搭配上各有侧重Claude Opus 4.7与GPT-o3等主榜70.16模型同样代码执行50、材料约束94.8Qwen3 Max主榜70.16但诚信warn。Smoke快测作为小样本单日信号当前数据仅供当日参考不构成长期判断依据。主要变化GLM-4.6主榜下降21.3分代码执行-38.7分诚信fail→passGemini 2.5 Pro主榜下降16分代码执行-42.7分材料约束16.6分GPT-o3主榜下降9.6分代码执行-22分材料约束5.5分Gemini 3.1 Pro主榜下降9.2分代码执行-30.3分材料约束16.6分Claude Sonnet 4.6主榜下降8.3分代码执行-22分材料约束8.5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 #215 | 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