2026-09-09 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 89.91 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 | 豆包 Pro | 89.91 | 94.5 | 84.3 | pass |
| #2 | Grok 4 | 88.42 | 93.5 | 82.2 | warn |
| #3 | GPT-o3 | 86.04 | 94.5 | 75.7 | pass |
| #4 | GPT-5.5 | 84.11 | 94.5 | 71.4 | pass |
| #5 | Claude Sonnet 4.6 | 81.86 | 94.5 | 66.4 | pass |
| #6 | Claude Opus 4.7 | 80.98 | 69.5 | 95 | pass |
| #7 | DeepSeek V4 Pro | 76.48 | 69.5 | 85 | pass |
| #8 | Gemini 3.1 Pro | 74.21 | 76.5 | 71.4 | pass |
| #9 | Gemini 2.5 Pro | 73.6 | 69.5 | 78.6 | pass |
| #10 | Qwen3 Max | 72.97 | 69.5 | 77.2 | pass |
主要变化
- GPT-5.5：主榜上升27.7分，代码执行+44.5分，材料约束+7.1分
- GPT-o3：主榜上升24.8分，代码执行+44.5分
- Claude Opus 4.7：主榜上升22.2分，代码执行+44.5分，材料约束-5分
- Qwen3 Max：主榜上升19.9分，代码执行+25.7分，材料约束+12.9分
- 豆包 Pro：主榜上升15.6分，代码执行+20.7分，材料约束+9.3分
需要关注的信号
- Grok 4：材料约束暴跌 -17.8 分
- Claude Sonnet 4.6：材料约束暴跌 -33.6 分
- DeepSeek V4 Pro：材料约束暴跌 -15 分
- GLM-4.6：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 #315 | 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