DeepSeek V4 Pro / GPT-5.5 / GPT-o3 并列 80.52 分：2026-08-05 Smoke 快测简报
·
2026-08-05 赢政指数 Smoke 快测覆盖 9 个模型，DeepSeek V4 Pro、GPT-5.5 与 GPT-o3 以 80.52 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。
一、评测方法
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。
二、当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | DeepSeek V4 Pro | 80.52 | 100 | 56.7 | pass |
| #2 | GPT-5.5 | 80.52 | 100 | 56.7 | pass |
| #3 | GPT-o3 | 80.52 | 100 | 56.7 | pass |
| #4 | Claude Sonnet 4.6 | 74.09 | 96.9 | 46.2 | pass |
| #5 | Gemini 2.5 Pro | 73.74 | 81.3 | 64.5 | pass |
| #6 | Claude Opus 4.7 | 71.94 | 75 | 68.2 | pass |
| #7 | Gemini 3.1 Pro | 55.52 | 75 | 31.7 | pass |
| #8 | Grok 4 | 55.52 | 75 | 31.7 | pass |
| #9 | Qwen3 Max | 49.72 | 71.9 | 22.6 | pass |
三、数据解读
DeepSeek V4 Pro、GPT-5.5 与 GPT-o3 并列主榜 80.52，其代码执行均为 100、材料约束均为 56.7，显示出代码执行满分而材料约束中等的结构搭配。Claude Sonnet 4.6 主榜 74.09，代码执行 96.9、材料约束 46.2，同样呈现代码执行强势、材料约束偏弱的特征。
与上一同口径 run 相比：
- Qwen3 Max 主榜下降 35.1 分，代码执行 -20.8 分、材料约束 -52.6 分
- Grok 4 主榜下降 28.8 分，代码执行 -25 分、材料约束 -33.5 分
- Gemini 3.1 Pro 主榜下降 27.6 分，代码执行 -22 分、材料约束 -34.4 分
- Claude Opus 4.7 主榜下降 17.5 分，代码执行 -22 分、材料约束 -12 分
- Gemini 2.5 Pro 主榜下降 15.8 分，代码执行 -18.7 分、材料约束 -12.3 分
这些降幅集中在材料约束与代码执行两项，需后续 run 复核以区分题目抽样波动还是真实退化。
四、关键观察
- 头部模型多依赖代码执行高分支撑主榜，而材料约束得分普遍较低，形成明显结构差异
- 异动模型的同步下滑提示可能存在单日测试波动，需通过多轮复测确认稳定性
- 本次未保留可发布的异常信号
本文首发于赢政天下 (https://www.winzheng.com)，获取更多深度技术内容与资源，欢迎访问官网。
更多推荐
5
0- 0
已为社区贡献24条内容
所有评论(0)