2026-09-08 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 Grok 4 以 86.25 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 Sonnet 4.6 | 86.25 | 75 | 100 | pass |
| #2 | Grok 4 | 86.25 | 75 | 100 | warn |
| #3 | 豆包 Pro | 74.34 | 73.8 | 75 | pass |
| #4 | DeepSeek V4 Pro | 72.5 | 50 | 100 | pass |
| #5 | Gemini 2.5 Pro | 70.19 | 75 | 64.3 | pass |
| #6 | GLM-4.6 | 61.25 | 50 | 75 | warn |
| #7 | GPT-o3 | 61.25 | 50 | 75 | pass |
| #8 | Gemini 3.1 Pro | 59.08 | 54.8 | 64.3 | pass |
| #9 | Claude Opus 4.7 | 58.75 | 25 | 100 | pass |
| #10 | GPT-5.5 | 56.44 | 50 | 64.3 | pass |
| #11 | Qwen3 Max | 53.03 | 43.8 | 64.3 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Sonnet 4.6与Grok 4并列主榜86.25分，二者代码执行均为75、材料约束均为100，显示材料约束维度满分而代码执行保持中等水平的搭配。豆包Pro主榜74.34分，代码执行73.8、材料约束75，结构相对均衡。DeepSeek V4 Pro主榜72.5分，代码执行50、材料约束100，体现材料约束强、代码执行较弱的特点。
与上一同口径run相比，Gemini 3.1 Pro主榜下降24.4分、代码执行下降45.2分；GLM-4.6主榜下降22.2分、代码执行下降50分但材料约束上升11.7分；Claude Sonnet 4.6主榜上升21分、材料约束上升46.7分。这些异动可能源于题目抽样波动，也可能是模型在特定维度的真实表现差异，需后续run复核确认。
GPT-o3主榜下降16.3分、代码执行下降50分、材料约束上升25分；GPT-5.5主榜下降15.6分、代码执行下降25分。Smoke为小样本单日信号，以上变化暂不作长期结论。
主要变化
- Gemini 3.1 Pro：主榜下降24.4分，代码执行-45.2分
- GLM-4.6：主榜下降22.2分，代码执行-50分，材料约束+11.7分
- Claude Sonnet 4.6：主榜上升21分，材料约束+46.7分
- GPT-o3：主榜下降16.3分，代码执行-50分，材料约束+25分
- GPT-5.5：主榜下降15.6分，代码执行-25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 #314 | 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