2026-08-31 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 89.15 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 | 89.15 | 94.5 | 82.6 | pass |
| #2 | 豆包 Pro | 86.9 | 94.5 | 77.6 | pass |
| #3 | GPT-5.5 | 86.18 | 94.5 | 76 | pass |
| #4 | GPT-o3 | 80.91 | 94.5 | 64.3 | pass |
| #5 | Claude Opus 4.7 | 75.4 | 69.5 | 82.6 | pass |
| #6 | Claude Sonnet 4.6 | 75.4 | 69.5 | 82.6 | pass |
| #7 | Qwen3 Max | 75.4 | 69.5 | 82.6 | pass |
| #8 | Gemini 3.1 Pro | 66.21 | 52.8 | 82.6 | pass |
| #9 | DeepSeek V4 Pro | 61.65 | 44.5 | 82.6 | pass |
| #10 | Gemini 2.5 Pro | 61.65 | 44.5 | 82.6 | pass |
| #11 | GLM-4.6 | 61.65 | 44.5 | 82.6 | warn |
数据解读
今日主榜前三模型在代码执行与材料约束的搭配上呈现明显分化。Grok 4以代码执行94.5、材料约束82.6取得主榜89.15，豆包Pro与GPT-5.5同样代码执行94.5，但材料约束分别为77.6和76，主榜分别为86.9和86.18。Claude Opus 4.7、Claude Sonnet 4.6、Qwen3 Max三家代码执行同为69.5、材料约束同为82.6，主榜同为75.4。Gemini 3.1 Pro代码执行52.8、材料约束82.6，主榜66.21；DeepSeek V4 Pro、Gemini 2.5 Pro、GLM-4.6三家代码执行均为44.5、材料约束均为82.6，主榜分别为61.65、61.65和61.65。
与上一同口径run相比，GLM-4.6主榜下降26.9分、代码执行下降47分，诚信由pass转为warn；DeepSeek V4 Pro主榜下降26.4分、代码执行下降47分；Gemini 2.5 Pro主榜下降24.1分、代码执行下降50分、材料约束上升7.6分；GPT-5.5主榜上升23.1分、代码执行上升28分、材料约束上升17.1分；Gemini 3.1 Pro主榜下降19.6分、代码执行下降38.7分。Smoke为小样本单日信号，上述分数变化可能源于题目抽样波动，也可能反映真实退化，需后续run复核以确认稳定性。
整体看，代码执行94.5的三家模型主榜领先，代码执行69.5的三家模型次之，代码执行52.8及以下的模型主榜靠后，材料约束82.6的模型在同代码执行水平下主榜相同。所有模型诚信记录除GLM-4.6为warn外其余均为pass。
主要变化
- GLM-4.6：主榜下降26.9分，代码执行-47分，诚信pass→warn
- DeepSeek V4 Pro：主榜下降26.4分，代码执行-47分
- Gemini 2.5 Pro：主榜下降24.1分，代码执行-50分，材料约束+7.6分
- GPT-5.5：主榜上升23.1分，代码执行+28分，材料约束+17.1分
- Gemini 3.1 Pro：主榜下降19.6分，代码执行-38.7分
需要关注的信号
- 本次未保留可发布的异常信号。
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 #302 | 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