2026-07-03 Smoke 轻量评测中GPT-5.5 以主榜 86.95 分位居第一其代码执行 100 分、材料约束 71 分的组合直接决定了这一结果。执行与约束的结构差异分数公式 core_overall 0.55 × 代码执行 0.45 × 材料约束执行权重更高因此 GPT-5.5 的满分执行成为制胜关键。Claude Sonnet 4.6 执行 99.3 分、约束 70 分主榜 86.12 分同样依赖执行优势。Claude Opus 4.7 执行同样 100 分但约束仅 67.4 分主榜 85.33 分落后 GPT-5.5 约 1.62 分。Qwen3 Max 执行 96.3 分、约束 71 分主榜 84.92 分与前三名形成明显梯队。Grok 4 执行 92.1 分、约束 63.3 分主榜 79.14 分约束拉低整体表现。约束强于执行的模型豆包 Pro 执行 75 分、约束 81.7 分主榜 78.02 分是前六名中唯一约束高于执行的模型。Gemini 2.5 Pro 执行 74.3 分、约束 75 分主榜 74.62 分两种维度接近。Gemini 3.1 Pro 执行仅 50 分但约束 81.7 分主榜 64.27 分显示约束对排名的有限拉动。DeepSeek V4 Pro 执行 50 分、约束 70 分主榜 59 分。文心一言 4.5 执行与约束均为 0主榜 0 分且诚信评级 fail未进入有效排名。模型特点推断执行满分的 GPT-5.5 和 Claude Opus 4.7 在代码执行维度达到天花板但约束维度均未超过 71 分反映出材料约束仍是当前模型普遍短板。豆包 Pro 的约束 81.7 分在 11 个模型中最高表明其在材料约束任务上具备相对优势。整体前五名执行分数均在 92.1 分以上后五名执行分数则在 75 分及以下执行维度对主榜排名的决定性作用清晰可见。执行主导的格局下约束短板决定了天花板高度。数据来源赢政指数 (YZ Index) | Run #210 | 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