2026-08-25 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 86.25 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 | GPT-o3 | 86.25 | 75 | 100 | pass |
| #2 | GPT-5.5 | 83.37 | 75 | 93.6 | pass |
| #3 | Grok 4 | 83.37 | 75 | 93.6 | pass |
| #4 | 豆包 Pro | 81.67 | 91.7 | 69.4 | pass |
| #5 | Claude Sonnet 4.6 | 80.81 | 75 | 87.9 | pass |
| #6 | Gemini 2.5 Pro | 75 | 75 | 75 | pass |
| #7 | Claude Opus 4.7 | 72.5 | 50 | 100 | pass |
| #8 | Gemini 3.1 Pro | 70.44 | 66.7 | 75 | pass |
| #9 | Qwen3 Max | 69.98 | 50 | 94.4 | pass |
| #10 | DeepSeek V4 Pro | 56.69 | 41.7 | 75 | pass |
| #11 | GLM-4.6 | 44.98 | 25 | 69.4 | 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明显分化。GPT-o3以代码执行75、材料约束100拿下主榜86.25，Claude Opus 4.7则以代码执行50、材料约束100获得主榜72.5，显示材料约束满分对整体排名的支撑作用。豆包Pro代码执行91.7、材料约束69.4，主榜81.67，体现了代码执行高分在0.55权重下的拉动效果。Gemini 2.5 Pro代码执行75、材料约束75，主榜75，结构最为均衡。
显著变化模型中，GLM-4.6主榜下滑42.6分，代码执行下滑61.1分，材料约束下滑19.9分；Gemini 3.1 Pro主榜下滑26.5分，代码执行下滑27.8分，材料约束下滑25分；DeepSeek V4 Pro主榜下滑23.8分，代码执行下滑52.8分，材料约束上升11.7分。Claude Sonnet 4.6主榜上升22.6分，代码执行上升30.5分，材料约束上升12.9分；GPT-5.5主榜上升18.7分，代码执行上升30.5分。这些单日波动可能源于题目抽样波动，也可能是模型真实表现的短期退化，需后续同口径run复核确认。
Smoke快测为小样本单日信号，上述分数结构与变化仅反映当日数据特点，不做长期推断。
主要变化
- GLM-4.6：主榜下降42.6分，代码执行-61.1分，材料约束-19.9分，诚信warn→pass
- Gemini 3.1 Pro：主榜下降26.5分，代码执行-27.8分，材料约束-25分
- DeepSeek V4 Pro：主榜下降23.8分，代码执行-52.8分，材料约束+11.7分
- Claude Sonnet 4.6：主榜上升22.6分，代码执行+30.5分，材料约束+12.9分
- GPT-5.5：主榜上升18.7分，代码执行+30.5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 #294 | 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