Grok 4以87分居首：2026-09-13 Smoke快测数据简报

2026-09-13 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 87 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

数据解读

今日赢政指数Smoke快测显示，头部模型在代码执行与材料约束的搭配上呈现明显分化。Grok 4主榜87，代码执行100、材料约束71.1，豆包Pro与GPT-o3主榜均为85.15，代码执行同为100、材料约束67，三者均以高代码执行得分占据前位。DeepSeek V4 Pro主榜77.34，代码执行75、材料约束80.2，Gemini 3.1 Pro主榜73.25，代码执行75、材料约束71.1，两者材料约束相对更突出，形成与前三不同的平衡结构。

多模型出现显著变化，Qwen3 Max主榜-25.9分、代码执行-49.2分，Claude Sonnet 4.6主榜-22.6分、代码执行-45.5分、材料约束+5.3分，GPT-5.5主榜-21.4分、代码执行-22分、材料约束-20.7分，Claude Opus 4.7主榜-18.7分、代码执行-47分、材料约束+15.9分，Gemini 2.5 Pro主榜-16.6分、代码执行-23.5分、材料约束-8.2分。这些异常信号可能源于题目抽样波动，也可能是单日真实表现退化，需后续run复核确认。

GLM-4.6因API故障/超时导致数据不完整，缺execution、grounding、judgment、integrity、communication维度，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，措辞保持克制。

主要变化

• Qwen3 Max：主榜下降25.9分，代码执行-49.2分
• Claude Sonnet 4.6：主榜下降22.6分，代码执行-45.5分，材料约束+5.3分
• GPT-5.5：主榜下降21.4分，代码执行-22分，材料约束-20.7分
• Claude Opus 4.7：主榜下降18.7分，代码执行-47分，材料约束+15.9分
• Gemini 2.5 Pro：主榜下降16.6分，代码执行-23.5分，材料约束-8.2分

需要关注的信号

• Claude Opus 4.7：主榜暴跌 -18.7 分
• GPT-5.5：主榜暴跌 -21.4 分
• Gemini 2.5 Pro：主榜暴跌 -16.6 分
• Qwen3 Max：主榜暴跌 -25.9 分
• Claude Sonnet 4.6：主榜暴跌 -22.6 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 #320 | 查看原始数据