GPT-o3以94.51分居首：2026-10-17 Smoke快测数据简报

2026-10-17 赢政指数 Smoke 快测覆盖 14 个模型，GPT-o3 以 94.51 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以代码执行100、材料约束87.8取得主榜94.51，Grok 4则依靠代码执行91.7与材料约束85的均衡组合获得主榜88.69，Gemini 3.1 Pro与GPT-6 Sol均以代码执行100但材料约束分别为72.8和71.8位列第三、四。Claude Opus 4.7反向突出材料约束95而代码执行75，主榜84。DeepSeek V4 Pro同样代码执行100、材料约束70，主榜86.5。这些结构显示高代码执行模型若材料约束不足，主榜排名会受到0.45权重制约。

显著变化模型中，GLM-4.6主榜上升35.7分，代码执行上升16.7分、材料约束上升58.9分，诚信从pass转为warn；GPT-6 Sol主榜上升34.3分，代码执行上升55.2分；GPT-o3主榜上升33.8分，代码执行上升61.7分；Gemini 3.1 Pro主榜上升18.1分，代码执行上升45.5分但材料约束下降15.3分。异常信号方面，Gemini 3.1 Pro材料约束暴跌15.3分、DeepSeek V4 Pro暴跌18.1分、GPT-6 Astra暴跌16.3分、Gemini 2.5 Pro暴跌22.6分，以及豆包 Pro主榜暴跌16.1分，均可能源于单日小样本抽样波动或临时表现退化，需后续同口径run复核确认。

整体来看，Smoke快测作为小样本单日信号，仅反映当日14个模型在代码执行与材料约束两项的即时搭配，未提供长期稳定性判断。Qwen3 Max因API故障数据不完整，未参与排名。

主要变化

• GLM-4.6：主榜上升35.7分，代码执行+16.7分，材料约束+58.9分，诚信pass→warn
• GPT-6 Sol：主榜上升34.3分，代码执行+55.2分，材料约束+8.7分
• GPT-o3：主榜上升33.8分，代码执行+61.7分
• Gemini 3.1 Pro：主榜上升18.1分，代码执行+45.5分，材料约束-15.3分
• GPT-5.5：主榜上升17分，代码执行+28分

需要关注的信号

• Gemini 3.1 Pro：材料约束暴跌 -15.3 分
• DeepSeek V4 Pro：材料约束暴跌 -18.1 分
• GPT-6 Astra：材料约束暴跌 -16.3 分
• Gemini 2.5 Pro：材料约束暴跌 -22.6 分
• 豆包 Pro：主榜暴跌 -16.1 分
• Qwen3 Max：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 #382 | 查看原始数据