2026-09-05 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 90.64 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 | GPT-o3 | 90.64 | 100 | 79.2 | pass |
| #2 | Claude Opus 4.7 | 86.14 | 100 | 69.2 | pass |
| #3 | 豆包 Pro | 83.94 | 96 | 69.2 | pass |
| #4 | Grok 4 | 83.63 | 98.7 | 65.2 | warn |
| #5 | GPT-5.5 | 83.17 | 100 | 62.6 | pass |
| #6 | Claude Sonnet 4.6 | 79.13 | 98.7 | 55.2 | pass |
| #7 | Qwen3 Max | 72.39 | 75 | 69.2 | warn |
| #8 | Gemini 3.1 Pro | 67.58 | 75 | 58.5 | pass |
| #9 | GLM-4.6 | 65.24 | 75 | 53.3 | warn |
| #10 | DeepSeek V4 Pro | 60.89 | 50 | 74.2 | pass |
| #11 | Gemini 2.5 Pro | 56.84 | 50 | 65.2 | 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。GPT-o3主榜90.64，其代码执行100、材料约束79.2；Claude Opus 4.7主榜86.14，代码执行同样100、材料约束69.2；豆包Pro主榜83.94，代码执行96、材料约束69.2。这些模型在代码执行端保持较高水位，同时材料约束得分相对均衡，构成当前主榜前三的核心结构。Grok 4与GPT-5.5则分别以代码执行98.7、100支撑主榜位置，但材料约束端分别为65.2与62.6，显示出更偏向代码执行的搭配特征。
显著变化方面，豆包Pro主榜较上一同口径run上升33.9分，代码执行上升46分、材料约束上升19分；Claude Sonnet 4.6主榜上升27分，代码执行上升48.7分；GPT-5.5主榜上升11.5分，代码执行上升25分，材料约束下降5分；GPT-o3主榜上升8.2分，材料约束上升15.1分。Gemini 2.5 Pro主榜则下降18.6分，代码执行下降25分、材料约束下降10.8分。异常信号中，Qwen3 Max代码执行暴跌-21.7分，GLM-4.6材料约束暴跌-21分，Gemini 2.5 Pro主榜暴跌-18.6分。这些单日波动可能源于题目抽样波动，也可能反映真实退化，需后续run复核确认。
Smoke快测作为小样本单日信号，上述分数结构与异动仅供当日观察，不构成长期判断依据。
主要变化
- 豆包 Pro：主榜上升33.9分，代码执行+46分，材料约束+19分
- Claude Sonnet 4.6：主榜上升27分，代码执行+48.7分
- Gemini 2.5 Pro：主榜下降18.6分，代码执行-25分，材料约束-10.8分
- GPT-5.5：主榜上升11.5分，代码执行+25分，材料约束-5分
- GPT-o3：主榜上升8.2分，材料约束+15.1分
需要关注的信号
- Qwen3 Max：代码执行暴跌 -21.7 分
- GLM-4.6：材料约束暴跌 -21 分
- Gemini 2.5 Pro：主榜暴跌 -18.6 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 #309 | 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