豆包 Pro以83.94分居首：2026-09-12 Smoke快测数据简报

2026-09-12 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 83.94 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

今日 Smoke 快测中，头部模型在代码执行与材料约束的搭配上呈现集中特征。豆包 Pro 主榜 83.94，代码执行 100、材料约束 64.3；Qwen3 Max 主榜 83.5，代码执行 99.2、材料约束 64.3；Claude Opus 4.7 与 GPT-5.5 均为主榜 82.29，代码执行 97、材料约束 64.3；GPT-o3 主榜 81.08，代码执行 94.8、材料约束 64.3。这些模型代码执行分数较高，材料约束维持在 64.3，形成强代码执行搭配中等材料约束的结构。

Gemini 2.5 Pro 主榜 76.11，代码执行 73.5、材料约束 79.3，材料约束相对更强。显著变化中，Gemini 3.1 Pro 主榜-34.6分，代码执行-45.5分，材料约束-21.2分；DeepSeek V4 Pro 主榜-22.8分，代码执行-11.3分，材料约束-36.9分；Qwen3 Max 主榜+12.6分，代码执行+24.2分；GPT-o3 主榜-12.4分，代码执行-5.2分，材料约束-21.2分；Grok 4 主榜-12.1分，材料约束-25.2分。这些信号可能来自题目抽样波动，也可能是真实退化，需后续 run 复核。Smoke 为小样本单日信号，解读保持克制。

主要变化

• Gemini 3.1 Pro：主榜下降34.6分，代码执行-45.5分，材料约束-21.2分
• DeepSeek V4 Pro：主榜下降22.8分，代码执行-11.3分，材料约束-36.9分
• Qwen3 Max：主榜上升12.6分，代码执行+24.2分
• GPT-o3：主榜下降12.4分，代码执行-5.2分，材料约束-21.2分
• Grok 4：主榜下降12.1分，材料约束-25.2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 #319 | 查看原始数据