2026-09-29 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 GPT-5.5 以 80.2 分并列当日首位。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 | Claude Opus 4.7 | 80.2 | 100 | 56 | pass |
| #2 | GPT-5.5 | 80.2 | 100 | 56 | pass |
| #3 | 豆包 Pro | 76.25 | 96.9 | 51 | warn |
| #4 | Qwen3 Max | 75.91 | 92.2 | 56 | warn |
| #5 | GPT-o3 | 73.78 | 93.8 | 49.3 | warn |
| #6 | Grok 4 | 69.98 | 94.5 | 40 | pass |
| #7 | Claude Sonnet 4.6 | 66.3 | 87 | 41 | pass |
| #8 | Gemini 3.1 Pro | 54.95 | 50 | 61 | pass |
| #9 | DeepSeek V4 Pro | 45.7 | 25 | 71 | warn |
| #10 | Gemini 2.5 Pro | 41.2 | 25 | 61 | pass |
数据解读
今日主榜前两名Claude Opus 4.7与GPT-5.5均取得主榜80.2，其中代码执行均为100、材料约束均为56，显示两者在代码执行与材料约束的搭配上形成均衡高位。豆包Pro主榜76.25，代码执行96.9、材料约束51，Qwen3 Max主榜75.91则以代码执行92.2搭配材料约束56，头部模型整体呈现代码执行偏强、材料约束中等的结构特征。Gemini 3.1 Pro主榜54.95，代码执行50、材料约束61，DeepSeek V4 Pro主榜45.7则代码执行25、材料约束71，体现材料约束相对更强的不同搭配。
Claude Sonnet 4.6主榜较上一同口径run下降25.5分，代码执行下降13分、材料约束下降40.8分；DeepSeek V4 Pro主榜下降25.2分，代码执行下降50分、材料约束上升5.1分；Gemini 2.5 Pro主榜下降22.9分，代码执行下降45分；Grok 4主榜下降21.8分，代码执行下降5.5分、材料约束下降41.8分；Qwen3 Max主榜下降15.9分，材料约束下降34.9分。这些分数变化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。Smoke作为小样本单日信号，上述解读仅针对今日数据结构，不做长期判断。
主要变化
- Claude Sonnet 4.6：主榜下降25.5分，代码执行-13分，材料约束-40.8分
- DeepSeek V4 Pro：主榜下降25.2分，代码执行-50分，材料约束+5.1分
- Gemini 2.5 Pro：主榜下降22.9分，代码执行-45分
- Grok 4：主榜下降21.8分，代码执行-5.5分，材料约束-41.8分
- Qwen3 Max：主榜下降15.9分，材料约束-34.9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 #344 | 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