2026-09-25 赢政指数 Smoke 快测覆盖 10 个模型，GPT-5.5 以 86.25 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-5.5 | 86.25 | 75 | 100 | pass |
| #2 | Claude Opus 4.7 | 86.03 | 74.6 | 100 | pass |
| #3 | Gemini 3.1 Pro | 81.69 | 66.7 | 100 | pass |
| #4 | 豆包 Pro | 76.96 | 66.7 | 89.5 | pass |
| #5 | GPT-o3 | 72.5 | 50 | 100 | pass |
| #6 | DeepSeek V4 Pro | 67.94 | 41.7 | 100 | pass |
| #7 | Claude Sonnet 4.6 | 67.78 | 50 | 89.5 | pass |
| #8 | Gemini 2.5 Pro | 67.78 | 50 | 89.5 | pass |
| #9 | Grok 4 | 61.25 | 50 | 75 | pass |
| #10 | Qwen3 Max | 60.21 | 48.1 | 75 | 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-5.5以主榜86.25领先，代码执行75、材料约束100；Claude Opus 4.7紧随其后，主榜86.03，代码执行74.6、材料约束100；Gemini 3.1 Pro主榜81.69，代码执行66.7、材料约束100。三者均在材料约束维度达到满分，代码执行得分则拉开差距，显示高材料约束对主榜排名的支撑作用。豆包Pro主榜76.96，代码执行66.7、材料约束89.5，同样依靠材料约束维持中游位置。
与上一同口径run相比，Grok 4主榜下降21.1分，代码执行下降45.8分、材料约束上升9.1分；DeepSeek V4 Pro主榜下降11.4分，代码执行下降58.3分、材料约束上升45.9分；Gemini 2.5 Pro主榜下降10.4分，代码执行下降45.8分、材料约束上升32.8分。这些变动可能源于题目抽样波动，也可能反映单日真实表现差异，需后续run复核确认。Claude Sonnet 4.6主榜上升15.9分，材料约束上升35.4分；GPT-5.5主榜上升15.4分，材料约束上升34.2分，同样需多轮数据验证稳定性。
Smoke快测为小样本单日信号，当前无异常信号记录，解读仅限于今日数据结构分析，不做长期推断。
主要变化
- Grok 4：主榜下降21.1分，代码执行-45.8分，材料约束+9.1分
- Claude Sonnet 4.6：主榜上升15.9分，材料约束+35.4分
- GPT-5.5：主榜上升15.4分，材料约束+34.2分
- DeepSeek V4 Pro：主榜下降11.4分，代码执行-58.3分，材料约束+45.9分
- Gemini 2.5 Pro：主榜下降10.4分，代码执行-45.8分，材料约束+32.8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 #338 | 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