2026-08-29 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 96.99 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 | Grok 4 | 96.99 | 100 | 93.3 | pass |
| #2 | Gemini 3.1 Pro | 96.6 | 99.3 | 93.3 | pass |
| #3 | Gemini 2.5 Pro | 91.99 | 100 | 82.2 | pass |
| #4 | Qwen3 Max | 91.82 | 90.6 | 93.3 | pass |
| #5 | 豆包 Pro | 91.38 | 99.3 | 81.7 | pass |
| #6 | Claude Opus 4.7 | 83.24 | 75 | 93.3 | pass |
| #7 | Claude Sonnet 4.6 | 83.24 | 75 | 93.3 | pass |
| #8 | GLM-4.6 | 83.24 | 75 | 93.3 | pass |
| #9 | GPT-o3 | 83.24 | 75 | 93.3 | pass |
| #10 | DeepSeek V4 Pro | 78.24 | 75 | 82.2 | pass |
| #11 | GPT-5.5 | 61.52 | 50 | 75.6 | pass |
数据解读
今日主榜前三中，Grok 4以代码执行100、材料约束93.3组合获得主榜96.99，Gemini 3.1 Pro代码执行99.3、材料约束93.3获得主榜96.6，二者均呈现代码执行与材料约束的均衡高位搭配；Gemini 2.5 Pro代码执行100但材料约束仅82.2，主榜91.99，显示代码执行突出而材料约束相对偏弱的结构特点。Qwen3 Max代码执行90.6、材料约束93.3，主榜91.82，体现材料约束更强的搭配。
显著变化中，Gemini 3.1 Pro主榜+33.1分、代码执行+44.8分、材料约束+18.7分，GLM-4.6主榜+22.2分、代码执行+25分、材料约束+18.7分，DeepSeek V4 Pro主榜+19.8分、代码执行+28分、材料约束+9.8分，Grok 4主榜+11.5分、材料约束+20.9分，这些升幅可能源于单日题目抽样波动，需后续run复核确认。GPT-5.5主榜-24.4分、代码执行-47分则呈现明显下滑。
异常信号方面，Claude Opus 4.7主榜暴跌-10.3分，Claude Sonnet 4.6代码执行暴跌-22分，GPT-o3代码执行暴跌-25分，GPT-5.5主榜暴跌-24.4分，Smoke快测为小样本单日信号，这些变化可能由题目抽样波动导致，也可能反映真实退化，均需后续run复核以判断稳定性。
主要变化
- Gemini 3.1 Pro：主榜上升33.1分，代码执行+44.8分，材料约束+18.7分
- GPT-5.5：主榜下降24.4分，代码执行-47分
- GLM-4.6：主榜上升22.2分，代码执行+25分，材料约束+18.7分
- DeepSeek V4 Pro：主榜上升19.8分，代码执行+28分，材料约束+9.8分
- Grok 4：主榜上升11.5分，材料约束+20.9分，诚信warn→pass
需要关注的信号
- Claude Opus 4.7：主榜暴跌 -10.3 分
- Claude Sonnet 4.6：代码执行暴跌 -22 分
- GPT-o3：代码执行暴跌 -25 分
- GPT-5.5：主榜暴跌 -24.4 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 #299 | 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