2026-11-22 赢政指数 Smoke 快测覆盖 13 个模型,Grok 4 以 83.51 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 | Grok 4 | 83.51 | 88.5 | 77.4 | pass |
| #2 | GPT-o3 | 78.4 | 71.6 | 86.7 | pass |
| #3 | Claude Opus 4.7 | 78.09 | 99.1 | 52.4 | pass |
| #4 | 豆包 Pro | 73.17 | 73.8 | 72.4 | pass |
| #5 | GPT-6.1 Sol | 70.88 | 74.3 | 66.7 | pass |
| #6 | GPT-6 Luna | 67.13 | 71.4 | 61.9 | pass |
| #7 | GPT-6 Astra | 66.79 | 74.3 | 57.6 | pass |
| #8 | GPT-6 Sol | 64.63 | 74.3 | 52.8 | pass |
| #9 | DeepSeek V4 Pro | 62.33 | 50 | 77.4 | pass |
| #10 | Claude Sonnet 4.6 | 61.56 | 48.6 | 77.4 | pass |
| #11 | Gemini 2.5 Pro | 57.52 | 50 | 66.7 | pass |
| #12 | Gemini 3.1 Pro | 57.52 | 50 | 66.7 | pass |
| #13 | GPT-5.5 | 54.16 | 49.3 | 60.1 | pass |
数据解读
今日主榜前三模型在代码执行与材料约束的搭配上呈现不同特征。Grok 4以代码执行88.5、材料约束77.4取得主榜83.51,两种能力相对均衡;GPT-o3代码执行71.6、材料约束86.7,主榜78.4,材料约束相对更强;Claude Opus 4.7代码执行99.1、材料约束52.4,主榜78.09,代码执行突出但材料约束偏低。豆包 Pro主榜73.17、代码执行73.8、材料约束72.4,搭配较为均衡。
多模型出现明显分数异动。GPT-o3代码执行暴跌-27.2分,Claude Opus 4.7材料约束暴跌-17.6分,豆包 Pro主榜暴跌-17.9分、代码执行-25分,GPT-6 Luna主榜暴跌-13分、代码执行-27.9分,DeepSeek V4 Pro代码执行暴跌-25分,Claude Sonnet 4.6代码执行暴跌-25.2分,Gemini 2.5 Pro主榜暴跌-12.2分、代码执行-25分,Gemini 3.1 Pro主榜暴跌-15.2分。这些变化可能源于题目抽样波动,也可能是真实退化,需后续run复核确认。GLM-4.6与Qwen3 Max因API故障数据不完整,未参与本期排名。
Smoke快测为小样本单日信号,以上观察仅反映当日数据表现,不做长期推断。
主要变化
- 豆包 Pro:主榜下降17.9分,代码执行-25分,材料约束-9.3分
- Gemini 3.1 Pro:主榜下降15.2分,代码执行-25分
- GPT-6 Luna:主榜下降13分,代码执行-27.9分,材料约束+5.2分
- Gemini 2.5 Pro:主榜下降12.2分,代码执行-25分
- Claude Sonnet 4.6:主榜下降7.5分,代码执行-25.2分,材料约束+14.1分
需要关注的信号
- GPT-o3:代码执行暴跌 -27.2 分
- Claude Opus 4.7:材料约束暴跌 -17.6 分
- 豆包 Pro:主榜暴跌 -17.9 分
- GPT-6 Luna:主榜暴跌 -13 分
- DeepSeek V4 Pro:代码执行暴跌 -25 分
- Claude Sonnet 4.6:代码执行暴跌 -25.2 分
- Gemini 2.5 Pro:主榜暴跌 -12.2 分
- Gemini 3.1 Pro:主榜暴跌 -15.2 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
- Qwen3 Max:数据不完整(缺 execution,grounding,judgment,integrity,communication 维度,API 故障/超时),已进入自动补跑,本期不参与排名
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 #438 | 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