Smoke评测：Qwen3 Max约束+23分逆袭，GPT-o3材料约束暴跌15.2分

在2026年6月19日的赢政指数Smoke轻量评测中Gemini 3.1 Pro以主榜99.28分、代码执行100分、材料约束98.4分位居第一0.55×执行0.45×约束的加权结构凸显其双维度均衡优势。执行满分阵营的约束分化今日11个模型中Gemini 3.1 Pro、Claude Opus 4.7、DeepSeek V4 Pro、Qwen3 Max、Gemini 2.5 Pro、Grok 4、GPT-o3、GPT-5.5、豆包Pro、Claude Sonnet 4.6共10个模型代码执行全部达到100分。排名差异几乎完全由材料约束决定Gemini 3.1 Pro约束98.4分拉开第二名Claude Opus 4.7和DeepSeek V4 Pro的2.53分差距。文心一言4.5是唯一执行未满分的模型其代码执行94.1分、材料约束92.2分主榜93.25分。执行短板使其无法进入前六但约束表现仍优于GPT-o3的84.8分。昨日对比下的剧烈波动与昨日数据对比Qwen3 Max材料约束提升23分主榜从约86.95分跃升至97.35分排名升至第四。Grok 4约束提升19.6分主榜升8.8分至95.82分。两模型均保持执行100分约束端的单日改善直接转化为排名上升。反向波动同样显著。GPT-o3材料约束下降15.2分主榜降6.8分至93.16分豆包Pro约束下降15.9分主榜降7.2分至92.85分。Claude Sonnet 4.6约束下降14分主榜降6.3分至92.53分。异常信号的结构解读GPT-o3与豆包Pro的约束暴跌发生在执行保持100分的前提下说明问题集中于材料约束环节。0.45的权重使得约束每下降15分左右主榜即损失约6.8-7.2分与实际排名下滑幅度一致。两模型昨日约束本已处于中下游单日进一步下滑后与前五名拉开5分以上差距。Qwen3 Max和Grok 4的约束提升则显示出不同路径。两者执行本已满分约束端改善直接推高主榜且未伴随执行侧波动结构相对稳健。约束端单日波动超过15分已成为区分模型真实可用性的关键信号。今日排名前六模型约束均在90.7分以上后五名约束则分布在83.4-92.2分区间。执行满分已成标配材料约束的稳定性与上限正在决定每日 Smoke 排名的最终格局。数据来源赢政指数 (YZ Index) | Run #187 | 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