2026-11-13 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 以 94.91 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 Opus 4.7 | 94.91 | 99.5 | 89.3 | pass |
| #2 | GPT-6 Astra | 92.33 | 94.8 | 89.3 | pass |
| #3 | Claude Sonnet 4.6 | 82.31 | 99.5 | 61.3 | pass |
| #4 | GPT-5.5 | 81.55 | 100 | 59 | pass |
| #5 | GPT-o3 | 79.78 | 94.9 | 61.3 | pass |
| #6 | GPT-6.1 Sol | 78.69 | 94.8 | 59 | pass |
| #7 | GPT-6 Sol | 71.38 | 99.5 | 37 | pass |
| #8 | Grok 4 | 67.9 | 73.3 | 61.3 | pass |
| #9 | GPT-6 Luna | 60.39 | 93.6 | 19.8 | pass |
| #10 | 豆包 Pro | 57.59 | 75 | 36.3 | pass |
| #11 | Gemini 3.1 Pro | 57.59 | 75 | 36.3 | pass |
| #12 | Gemini 2.5 Pro | 53.88 | 47.8 | 61.3 | pass |
| #13 | DeepSeek V4 Pro | 42.8 | 50 | 34 | pass |
数据解读
从分数结构看，Claude Opus 4.7以主榜94.91位居首位，其代码执行99.5与材料约束89.3形成均衡搭配，GPT-6 Astra主榜92.33同样依赖代码执行94.8与材料约束89.3的组合，显示头部模型在两项指标上均保持较高水平。Claude Sonnet 4.6主榜82.31、GPT-5.5主榜81.55则呈现代码执行99.5与100的高分，但材料约束仅61.3与59，体现出代码执行强而材料约束相对偏弱的结构特点。GPT-o3与GPT-6.1 Sol的主榜分数79.78与78.69，也反映类似代码执行94.9、94.8领先而材料约束61.3、59的搭配。
GPT-6 Luna主榜下降28.5分、材料约束下降68.3分，Gemini 3.1 Pro主榜下降15.4分、材料约束下降35.1分，GPT-6 Sol主榜下降12.5分但代码执行上升5.5分、材料约束下降34.4分，这些变化可能源于题目抽样波动，也可能是模型在材料约束方面的真实退化，需后续run复核以确认稳定性。GPT-5.5主榜上升11.1分、代码执行上升25分，GPT-6 Astra主榜上升11分、材料约束上升24.5分，同样需通过多次测试区分偶然波动与持续表现。
Smoke作为小样本单日信号，当前数据仅提供当日观察，未见异常信号，解读保持克制，避免对模型长期能力下结论。
主要变化
- GPT-6 Luna：主榜下降28.5分，材料约束-68.3分
- Gemini 3.1 Pro：主榜下降15.4分，材料约束-35.1分
- GPT-6 Sol：主榜下降12.5分，代码执行+5.5分，材料约束-34.4分
- GPT-5.5：主榜上升11.1分，代码执行+25分，材料约束-5.8分
- GPT-6 Astra：主榜上升11分，材料约束+24.5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 #425 | 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