2026-09-24 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 Gemini 3.1 Pro 以 84.61 分并列当日首位。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 Opus 4.7 | 84.61 | 100 | 65.8 | pass |
| #2 | Gemini 3.1 Pro | 84.61 | 100 | 65.8 | pass |
| #3 | Grok 4 | 82.35 | 95.8 | 65.9 | pass |
| #4 | 豆包 Pro | 82.3 | 95.8 | 65.8 | pass |
| #5 | DeepSeek V4 Pro | 79.35 | 100 | 54.1 | pass |
| #6 | Gemini 2.5 Pro | 78.21 | 95.8 | 56.7 | pass |
| #7 | GPT-o3 | 76.33 | 100 | 47.4 | pass |
| #8 | GPT-5.5 | 70.86 | 75 | 65.8 | pass |
| #9 | Qwen3 Max | 69.83 | 75 | 63.5 | pass |
| #10 | Claude Sonnet 4.6 | 51.85 | 50 | 54.1 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Opus 4.7与Gemini 3.1 Pro并列主榜84.61，均呈现代码执行100与材料约束65.8的搭配，显示两者在代码执行维度达到满分同时材料约束维持中高水平。Grok 4与豆包Pro紧随其后，主榜分别为82.35与82.3，代码执行同为95.8，材料约束分别为65.9与65.8，体现代码执行与材料约束相对均衡的结构。DeepSeek V4 Pro代码执行同样100，但材料约束仅54.1，主榜79.35，反映其在材料约束维度相对偏弱的特征。
与上一同口径run相比，Claude Sonnet 4.6主榜下降45.1分，代码执行下降44.5分，材料约束下降45.9分；Qwen3 Max主榜下降21.4分，代码执行下降10.9分，材料约束下降34.3分；GPT-5.5主榜下降21分，代码执行下降14.5分，材料约束下降29分。这些变化可能源于题目抽样波动，也可能反映单日真实表现差异，需后续run复核以确认稳定性。Gemini 2.5 Pro材料约束下降40.3分，Claude Opus 4.7材料约束下降34.2分，同样提示需进一步观察。
Smoke快测为小样本单日信号，当前数据仅显示头部模型在代码执行与材料约束搭配上的即时差异，异动模型的具体原因仍待多轮验证确认。
主要变化
- Claude Sonnet 4.6：主榜下降45.1分，代码执行-44.5分，材料约束-45.9分
- Qwen3 Max：主榜下降21.4分，代码执行-10.9分，材料约束-34.3分
- GPT-5.5：主榜下降21分，代码执行-14.5分，材料约束-29分
- Gemini 2.5 Pro：主榜下降17分，材料约束-40.3分
- Claude Opus 4.7：主榜下降12.2分，代码执行+5.9分，材料约束-34.2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 #337 | 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