2026-10-02 赢政指数 Smoke 快测覆盖 15 个模型，Claude Opus 4.7 与 GPT-5.5 与 GPT-6 Astra 与 GPT-6.1 Sol 以 86.25 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 | 86.25 | 75 | 100 | pass |
| #2 | GPT-5.5 | 86.25 | 75 | 100 | pass |
| #3 | GPT-6 Astra | 86.25 | 75 | 100 | pass |
| #4 | GPT-6.1 Sol | 86.25 | 75 | 100 | pass |
| #5 | Gemini 2.5 Pro | 84.55 | 71.9 | 100 | pass |
| #6 | GPT-6 Sol | 84 | 75 | 95 | pass |
| #7 | Grok 4 | 83.67 | 70.3 | 100 | pass |
| #8 | Claude Sonnet 4.6 | 81.75 | 75 | 90 | pass |
| #9 | 豆包 Pro | 81.6 | 87 | 75 | pass |
| #10 | GPT-6 Luna | 79.5 | 75 | 85 | warn |
| #11 | GPT-o3 | 72.42 | 70.3 | 75 | pass |
| #12 | Qwen3 Max | 71.05 | 71.9 | 70 | pass |
| #13 | DeepSeek V4 Pro | 67.94 | 41.7 | 100 | pass |
| #14 | GLM-4.6 | 67.94 | 41.7 | 100 | fail |
| #15 | Gemini 3.1 Pro | 57.62 | 43.4 | 75 | pass |
数据解读
今日主榜前四模型Claude Opus 4.7、GPT-5.5、GPT-6 Astra与GPT-6.1 Sol均呈现代码执行75、材料约束100的结构，主榜同为86.25。该搭配体现材料约束满分对整体排名的支撑作用，而代码执行维持在75区间。Gemini 2.5 Pro以代码执行71.9、材料约束100取得主榜84.55，显示材料约束满分仍能维持较高位置。豆包Pro代码执行87、材料约束75，主榜81.6，其代码执行优势与材料约束短板形成互补。
与上一同口径run相比，Gemini 3.1 Pro主榜下降23.6分、代码执行下降26.6分、材料约束下降20分，GLM-4.6主榜下降16.1分、代码执行下降33.3分且诚信由pass转为fail，GPT-5.5主榜上升16分、代码执行上升25分。豆包Pro主榜下降13.9分、材料约束下降22分，DeepSeek V4 Pro主榜下降13.3分、代码执行下降28.3分。这些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测试为小样本单日信号，当前数据仅显示头部模型在代码执行与材料约束的特定搭配下取得86.25主榜，部分模型出现明显分数起伏，解读应保持克制，避免推断长期趋势。
主要变化
- Gemini 3.1 Pro：主榜下降23.6分，代码执行-26.6分，材料约束-20分
- GLM-4.6：主榜下降16.1分，代码执行-33.3分，材料约束+5分，诚信pass→fail
- GPT-5.5：主榜上升16分，代码执行+25分，材料约束+5分
- 豆包 Pro：主榜下降13.9分，代码执行-7.3分，材料约束-22分
- DeepSeek V4 Pro：主榜下降13.3分，代码执行-28.3分，材料约束+5分
需要关注的信号
- GLM-4.6：今日诚信评级为 fail（基于当日 Smoke 数据）。
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 #356 | 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