2026-09-02 赢政指数 Smoke 快测覆盖 11 个模型，豆包 Pro 以 95.91 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 | 豆包 Pro | 95.91 | 100 | 90.9 | warn |
| #2 | GPT-o3 | 92.49 | 100 | 83.3 | pass |
| #3 | Claude Sonnet 4.6 | 88.39 | 100 | 74.2 | pass |
| #4 | Gemini 2.5 Pro | 88.39 | 100 | 74.2 | pass |
| #5 | Grok 4 | 88.39 | 100 | 74.2 | pass |
| #6 | Gemini 3.1 Pro | 87.67 | 100 | 72.6 | pass |
| #7 | Claude Opus 4.7 | 72.75 | 75 | 70 | pass |
| #8 | GPT-5.5 | 72.03 | 75 | 68.4 | pass |
| #9 | Qwen3 Max | 69.83 | 75 | 63.5 | pass |
| #10 | GLM-4.6 | 68.22 | 62.5 | 75.2 | warn |
| #11 | DeepSeek V4 Pro | 67.49 | 75 | 58.3 | pass |
数据解读
今日赢政指数Smoke快测中，头部模型在代码执行与材料约束的搭配上呈现明显分化。豆包Pro以主榜95.91领先，代码执行100、材料约束90.9；GPT-o3主榜92.49，代码执行同样100但材料约束83.3；Claude Sonnet 4.6、Gemini 2.5 Pro与Grok 4均为主榜88.39，代码执行100、材料约束74.2。此类模型凭借代码执行满分拉高整体，而材料约束得分差异直接决定主榜排序。GLM-4.6则以代码执行62.5、材料约束75.2形成互补，主榜68.22，显示低代码高材料组合的另一种路径。
多模型出现显著同口径变化，其中DeepSeek V4 Pro主榜下降15.7分、材料约束下降41.7分，GPT-5.5主榜下降11.2分、材料约束下降31.6分，Claude Opus 4.7主榜下降10.5分、材料约束下降30分；豆包Pro主榜上升8.2分、代码执行上升11.5分且诚信从pass转为warn。这些波动可能源于小样本单日抽样波动，也可能反映真实性能退化，需后续run复核确认。Qwen3 Max主榜下降7.7分、材料约束下降23.3分，同样需进一步数据验证。
整体来看，代码执行100的模型在主榜占据前六，但材料约束从90.9到72.6的区间差异已造成主榜8分以上落差，Smoke快测作为小样本信号，当前结果仅供当日参考，不构成长期判断依据。
主要变化
- DeepSeek V4 Pro：主榜下降15.7分，代码执行+5.5分，材料约束-41.7分
- GPT-5.5：主榜下降11.2分，代码执行+5.5分，材料约束-31.6分
- Claude Opus 4.7：主榜下降10.5分，代码执行+5.5分，材料约束-30分
- 豆包 Pro：主榜上升8.2分，代码执行+11.5分，诚信pass→warn
- Qwen3 Max：主榜下降7.7分，代码执行+5分，材料约束-23.3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 #305 | 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