2026-10-08 赢政指数 Smoke 快测覆盖 15 个模型，Claude Sonnet 4.6 以 87.41 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 | Claude Sonnet 4.6 | 87.41 | 98.7 | 73.6 | pass |
| #2 | GPT-6 Luna | 83.19 | 75 | 93.2 | pass |
| #3 | Claude Opus 4.7 | 79.1 | 75 | 84.1 | pass |
| #4 | GPT-o3 | 75.63 | 75 | 76.4 | pass |
| #5 | GPT-5.5 | 74.37 | 75 | 73.6 | pass |
| #6 | Grok 4 | 68.32 | 70.3 | 65.9 | pass |
| #7 | GPT-6 Sol | 63.75 | 75 | 50 | pass |
| #8 | Qwen3 Max | 62.36 | 71 | 51.8 | pass |
| #9 | GPT-6 Astra | 61.25 | 50 | 75 | pass |
| #10 | GPT-6.1 Sol | 61.25 | 50 | 75 | pass |
| #11 | 豆包 Pro | 60.62 | 50 | 73.6 | pass |
| #12 | Gemini 2.5 Pro | 59.91 | 48.7 | 73.6 | pass |
| #13 | Gemini 3.1 Pro | 58.82 | 50 | 69.6 | pass |
| #14 | DeepSeek V4 Pro | 55.69 | 25 | 93.2 | pass |
| #15 | GLM-4.6 | 29.1 | 25 | 34.1 | pass |
数据解读
从分数结构看，Claude Sonnet 4.6以代码执行98.7、材料约束73.6组合获得主榜87.41，显示代码执行优势突出；GPT-6 Luna则以代码执行75、材料约束93.2取得主榜83.19，材料约束得分更高，二者形成不同强弱搭配。Claude Opus 4.7代码执行75、材料约束84.1，主榜79.1，同样体现材料约束相对均衡的特点。头部模型中此类搭配差异明显，GPT-6 Astra与GPT-6.1 Sol均代码执行50、材料约束75，主榜同为61.25。
显著变化方面，Qwen3 Max主榜下降32.8分，代码执行下降26.5分、材料约束下降40.4分；GPT-6.1 Sol主榜下降30.1分，代码执行下降50分；GLM-4.6主榜下降29.7分，材料约束下降65.9分；Claude Opus 4.7主榜下降18.4分，代码执行下降25分；Gemini 3.1 Pro主榜下降18.2分，代码执行下降28.6分。这些异动可能源于题目抽样波动，也可能是模型真实表现退化，需后续run复核确认。
Smoke快测为小样本单日信号，上述分析仅基于今日数据，措辞保持克制，不做长期判断。
主要变化
- Qwen3 Max：主榜下降32.8分，代码执行-26.5分，材料约束-40.4分
- GPT-6.1 Sol：主榜下降30.1分，代码执行-50分，材料约束-5.7分
- GLM-4.6：主榜下降29.7分，材料约束-65.9分，诚信warn→pass
- Claude Opus 4.7：主榜下降18.4分，代码执行-25分，材料约束-10.3分
- Gemini 3.1 Pro：主榜下降18.2分，代码执行-28.6分，材料约束-5.4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 #366 | 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