2026-08-26 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 97.75 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 | GPT-o3 | 97.75 | 100 | 95 | pass |
| #2 | Gemini 2.5 Pro | 96.1 | 97 | 95 | pass |
| #3 | Grok 4 | 95.17 | 95.3 | 95 | pass |
| #4 | 豆包 Pro | 86.25 | 75 | 100 | pass |
| #5 | Claude Sonnet 4.6 | 85.54 | 73.7 | 100 | pass |
| #6 | DeepSeek V4 Pro | 84 | 75 | 95 | pass |
| #7 | Gemini 3.1 Pro | 84 | 75 | 95 | pass |
| #8 | GPT-5.5 | 84 | 75 | 95 | pass |
| #9 | Claude Opus 4.7 | 79.91 | 75 | 85.9 | pass |
| #10 | Qwen3 Max | 79.19 | 73.7 | 85.9 | pass |
| #11 | GLM-4.6 | 47.63 | 37.5 | 60 | pass |
数据解读
今日赢政指数Smoke快测中，头部模型在代码执行与材料约束的搭配上呈现明显分化。GPT-o3以代码执行100、材料约束95取得主榜97.75，Gemini 2.5 Pro代码执行97、材料约束95对应主榜96.1，Grok 4代码执行95.3、材料约束95对应主榜95.17，三者均在两项指标上保持较高均衡水平。相比之下，豆包Pro代码执行75、材料约束100，主榜86.25，Claude Sonnet 4.6代码执行73.7、材料约束100，主榜85.54，显示材料约束满分但代码执行相对较低的结构特点。
多模型出现显著变化，其中DeepSeek V4 Pro主榜上升27.3分、代码执行上升33.3分、材料约束上升20分，Gemini 2.5 Pro主榜上升21.1分、代码执行上升22分、材料约束上升20分，Gemini 3.1 Pro主榜上升13.6分、代码执行上升8.3分、材料约束上升20分，Grok 4主榜上升11.8分、代码执行上升20.3分，GPT-o3主榜上升11.5分、代码执行上升25分、材料约束下降5分。这些单日变动可能源于题目抽样波动，也可能是模型在特定任务上的真实表现差异，需后续同口径run复核确认。
异常信号方面，豆包Pro代码执行出现暴跌16.7分，其材料约束仍维持100，主榜86.25，此类小样本单日信号需谨慎看待，避免过度解读。
主要变化
- DeepSeek V4 Pro：主榜上升27.3分，代码执行+33.3分，材料约束+20分
- Gemini 2.5 Pro：主榜上升21.1分，代码执行+22分，材料约束+20分
- Gemini 3.1 Pro：主榜上升13.6分，代码执行+8.3分，材料约束+20分
- Grok 4：主榜上升11.8分，代码执行+20.3分
- GPT-o3：主榜上升11.5分，代码执行+25分，材料约束-5分
需要关注的信号
- 豆包 Pro：代码执行暴跌 -16.7 分
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 #295 | 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