GPT-o3以95.91分居首：2026-08-09 Smoke快测数据简报

2026-08-09 赢政指数 Smoke 快测覆盖 9 个模型，GPT-o3 以 95.91 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

数据解读

今日赢政指数Smoke快测显示，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95.91，代码执行100、材料约束90.9；Claude Opus 4.7主榜92.85，代码执行100、材料约束84.1；GPT-5.5主榜88.75，代码执行100、材料约束75；DeepSeek V4 Pro主榜86.5，代码执行100、材料约束70。这些模型代码执行均达到100或接近，材料约束则从90.9到70不等，形成主榜领先的基础。

多模型出现显著下滑，其中Gemini 2.5 Pro主榜-19.4分、代码执行-25分、材料约束-12.5分，Claude Sonnet 4.6主榜-15.7分、材料约束-34.9分，Gemini 3.1 Pro主榜-11.7分、材料约束-25.9分，Grok 4主榜-11分、材料约束-23.6分，Qwen3 Max主榜-10.2分、材料约束-21.5分。DeepSeek V4 Pro材料约束暴跌-19.5分，Qwen3 Max主榜暴跌-10.2分，Gemini 3.1 Pro主榜暴跌-11.7分，Grok 4主榜暴跌-11分，Claude Sonnet 4.6主榜暴跌-15.7分，Gemini 2.5 Pro主榜暴跌-19.4分。

上述异常信号可能源于题目抽样波动，也可能是真实退化所致，需后续run复核确认。GLM-4.6与豆包Pro因数据不完整未参与排名。Smoke作为小样本单日信号，相关观察仅供参考。

主要变化

• Gemini 2.5 Pro：主榜下降19.4分，代码执行-25分，材料约束-12.5分
• Claude Sonnet 4.6：主榜下降15.7分，材料约束-34.9分
• Gemini 3.1 Pro：主榜下降11.7分，材料约束-25.9分
• Grok 4：主榜下降11分，材料约束-23.6分
• Qwen3 Max：主榜下降10.2分，材料约束-21.5分

需要关注的信号

• DeepSeek V4 Pro：材料约束暴跌 -19.5 分
• Qwen3 Max：主榜暴跌 -10.2 分
• Gemini 3.1 Pro：主榜暴跌 -11.7 分
• Grok 4：主榜暴跌 -11 分
• Claude Sonnet 4.6：主榜暴跌 -15.7 分
• Gemini 2.5 Pro：主榜暴跌 -19.4 分
• GLM-4.6：数据不完整（缺 judgment,integrity 维度，API 故障/超时），已进入自动补跑，本期不参与排名
• 豆包 Pro：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 #270 | 查看原始数据