2026-09-11 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 95.28 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 | 豆包 Pro | 95.28 | 100 | 89.5 | pass |
| #2 | Gemini 3.1 Pro | 93.48 | 100 | 85.5 | pass |
| #3 | GPT-o3 | 93.48 | 100 | 85.5 | pass |
| #4 | GPT-5.5 | 90.82 | 83.3 | 100 | pass |
| #5 | Grok 4 | 88.64 | 97.5 | 77.8 | pass |
| #6 | DeepSeek V4 Pro | 86.09 | 83.3 | 89.5 | pass |
| #7 | Gemini 2.5 Pro | 81.53 | 75 | 89.5 | pass |
| #8 | Claude Opus 4.7 | 79.1 | 75 | 84.1 | pass |
| #9 | Claude Sonnet 4.6 | 74.89 | 72.5 | 77.8 | pass |
| #10 | Qwen3 Max | 70.91 | 75 | 65.9 | pass |
数据解读
今日赢政指数Smoke快测中，豆包Pro以主榜95.28位居首位，其代码执行100、材料约束89.5的搭配显示出均衡优势。Gemini 3.1 Pro与GPT-o3并列主榜93.48，两者代码执行同为100、材料约束同为85.5，体现代码执行侧重的结构特点。GPT-5.5主榜90.82则依靠材料约束100、代码执行83.3形成互补，头部模型在两种维度的强弱组合上呈现明显分化。
与上一同口径run相比，GPT-o3主榜+15.4分、代码执行+30.2分，Gemini 2.5 Pro主榜-7.2分、代码执行-25分、材料约束+14.5分，GPT-5.5主榜+6.2分、代码执行+11.3分，Grok 4主榜-5.2分、代码执行+8.8分、材料约束-22.2分，Claude Opus 4.7主榜+5.2分、代码执行+22.4分、材料约束-15.9分。这些异动中，Grok 4材料约束暴跌-22.2分、Gemini 2.5 Pro代码执行暴跌-25分、Claude Opus 4.7材料约束暴跌-15.9分构成异常信号，可能源于题目抽样波动，也可能是真实退化迹象，需后续run复核确认。
GLM-4.6因API故障/超时导致数据不完整，本期未参与排名。Smoke作为小样本单日信号，以上观察仅反映当日分数结构，暂不做长期推断。
主要变化
- GPT-o3：主榜上升15.4分，代码执行+30.2分
- Gemini 2.5 Pro：主榜下降7.2分，代码执行-25分，材料约束+14.5分
- GPT-5.5：主榜上升6.2分，代码执行+11.3分
- Grok 4：主榜下降5.2分，代码执行+8.8分，材料约束-22.2分
- Claude Opus 4.7：主榜上升5.2分，代码执行+22.4分，材料约束-15.9分
需要关注的信号
- Grok 4：材料约束暴跌 -22.2 分
- Gemini 2.5 Pro：代码执行暴跌 -25 分
- Claude Opus 4.7：材料约束暴跌 -15.9 分
- GLM-4.6：数据不完整（缺 execution,grounding,judgment,integrity,communication 维度，API 故障/超时），已进入自动补跑，本期不参与排名
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 #318 | 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