Claude Sonnet 4.6以94.74分居首：2026-10-09 Smoke快测数据简报

2026-10-09 赢政指数 Smoke 快测覆盖 14 个模型，Claude Sonnet 4.6 以 94.74 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

从分数结构看，Claude Sonnet 4.6 以代码执行 100 搭配材料约束 88.3 形成主榜 94.74 的领先，代码执行端优势明显；Claude Opus 4.7 与豆包 Pro 则均呈现代码执行 75、材料约束 100 的组合，主榜同为 86.25，显示材料约束高分对排名的拉动作用。GPT-6.1 Sol 代码执行 83.3 与材料约束 87.8 的搭配使其主榜 85.33 位列第四，而 DeepSeek V4 Pro 代码执行 75、材料约束 97 的结构支撑其主榜 84.9。

显著变化中，DeepSeek V4 Pro 主榜+29.2 分、代码执行+50 分，豆包 Pro 主榜+25.6 分、代码执行+25 分且材料约束+26.4 分，GPT-6.1 Sol 主榜+24.1 分、代码执行+33.3 分，这些升幅可能源于当日题目抽样波动，也可能反映模型在特定维度上的临时表现，需后续 run 复核确认稳定性。异常信号方面，GPT-6 Luna 主榜暴跌 -8.4 分、GPT-o3 代码执行暴跌 -16.7 分、Grok 4 代码执行暴跌 -20.3 分，同样需通过补跑数据判断是否为真实退化。

GLM-4.6 因数据不完整未参与排名，整体 Smoke 结果仍属小样本单日信号，解读保持克制。

主要变化

• DeepSeek V4 Pro：主榜上升29.2分，代码执行+50分
• 豆包 Pro：主榜上升25.6分，代码执行+25分，材料约束+26.4分
• GPT-6.1 Sol：主榜上升24.1分，代码执行+33.3分，材料约束+12.8分
• GPT-6 Astra：主榜上升22.7分，代码执行+33.3分，材料约束+9.8分
• Gemini 3.1 Pro：主榜上升16.2分，代码执行+25分，材料约束+5.4分

需要关注的信号

• GPT-6 Luna：主榜暴跌 -8.4 分
• GLM-4.6：数据不完整（缺 integrity,communication 维度，API 故障/超时），已进入自动补跑，本期不参与排名
• GPT-o3：代码执行暴跌 -16.7 分
• Grok 4：代码执行暴跌 -20.3 分

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 #368 | 查看原始数据