2026-09-23 赢政指数 Smoke 快测覆盖 10 个模型，Claude Sonnet 4.6 以 96.98 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 | Claude Sonnet 4.6 | 96.98 | 94.5 | 100 | pass |
| #2 | Claude Opus 4.7 | 96.76 | 94.1 | 100 | pass |
| #3 | Gemini 2.5 Pro | 95.19 | 93.7 | 97 | pass |
| #4 | GPT-5.5 | 91.89 | 89.5 | 94.8 | pass |
| #5 | Qwen3 Max | 91.26 | 85.9 | 97.8 | pass |
| #6 | Grok 4 | 80.89 | 69.5 | 94.8 | pass |
| #7 | GPT-o3 | 80.48 | 64.5 | 100 | pass |
| #8 | Gemini 3.1 Pro | 79.13 | 64.5 | 97 | pass |
| #9 | DeepSeek V4 Pro | 78.14 | 64.5 | 94.8 | pass |
| #10 | 豆包 Pro | 73.5 | 64.5 | 84.5 | 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均衡高位特征。Claude Sonnet 4.6以主榜96.98位居首位，其代码执行94.5、材料约束100；Claude Opus 4.7主榜96.76，代码执行94.1、材料约束100；Gemini 2.5 Pro主榜95.19，代码执行93.7、材料约束97。三者均保持诚信pass，材料约束维度普遍接近或达到100，代码执行则在93.7至94.5区间，形成强弱互补的结构优势。
多模型出现显著同口径变化。Gemini 2.5 Pro主榜+22.7分，代码执行+21.7分、材料约束+23.9分；Qwen3 Max主榜+12.8分，代码执行+13.9分、材料约束+11.5分；DeepSeek V4 Pro主榜+12.1分，代码执行-7.5分、材料约束+36.1分。豆包Pro主榜-17.3分，代码执行-31.8分；GPT-o3主榜-15.5分，代码执行-32.5分、材料约束+5.2分。这些变动源于单日10题小样本抽样，需后续run复核以区分波动与真实退化。
异常信号集中在数个模型。Grok 4主榜暴跌-10分，GPT-o3主榜暴跌-15.5分，Gemini 3.1 Pro代码执行暴跌-31.8分，豆包Pro主榜暴跌-17.3分。GLM-4.6因API故障数据不完整，未参与排名。以上均为Smoke单日信号，变化幅度可能受题目抽样影响，需多轮复测确认稳定性。
主要变化
- Gemini 2.5 Pro：主榜上升22.7分，代码执行+21.7分，材料约束+23.9分
- 豆包 Pro：主榜下降17.3分，代码执行-31.8分
- GPT-o3：主榜下降15.5分，代码执行-32.5分，材料约束+5.2分
- Qwen3 Max：主榜上升12.8分，代码执行+13.9分，材料约束+11.5分
- DeepSeek V4 Pro：主榜上升12.1分，代码执行-7.5分，材料约束+36.1分
需要关注的信号
- Grok 4：主榜暴跌 -10 分
- GPT-o3：主榜暴跌 -15.5 分
- Gemini 3.1 Pro：代码执行暴跌 -31.8 分
- 豆包 Pro：主榜暴跌 -17.3 分
- GLM-4.6：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 #335 | 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