2026-09-16 赢政指数 Smoke 快测覆盖 10 个模型，Claude Sonnet 4.6 以 100 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 Sonnet 4.6 | 100 | 100 | 100 | pass |
| #2 | 豆包 Pro | 84.55 | 71.9 | 100 | pass |
| #3 | Claude Opus 4.7 | 84 | 75 | 95 | pass |
| #4 | GPT-5.5 | 84 | 75 | 95 | pass |
| #5 | Grok 4 | 81.42 | 70.3 | 95 | pass |
| #6 | Qwen3 Max | 80.59 | 68.8 | 95 | pass |
| #7 | GPT-o3 | 70.64 | 70.5 | 70.8 | pass |
| #8 | Gemini 3.1 Pro | 70.25 | 50 | 95 | pass |
| #9 | DeepSeek V4 Pro | 67.39 | 44.8 | 95 | pass |
| #10 | Gemini 2.5 Pro | 63.42 | 47.8 | 82.5 | pass |
数据解读
今日赢政指数Smoke快测中，Claude Sonnet 4.6以代码执行100、材料约束100支撑主榜100，呈现代码执行与材料约束的均衡高位搭配。豆包Pro代码执行71.9、材料约束100，主榜84.55，体现材料约束对整体排名的显著拉动。Claude Opus 4.7与GPT-5.5同为主榜84，代码执行75、材料约束95的结构一致，显示两者在代码执行与材料约束间的配比相近。Grok 4代码执行70.3、材料约束95，主榜81.42，Qwen3 Max代码执行68.8、材料约束95，主榜80.59，头部区间内材料约束普遍维持95以上水平。
Gemini 2.5 Pro主榜63.42，较前次同口径run下降36.6分，其中代码执行47.8、材料约束82.5，分别下降52.2分与17.5分。Claude Sonnet 4.6材料约束较前次上升50分，主榜上升22.5分。GPT-o3代码执行70.5、材料约束70.8，主榜70.64，较前次下降18.1分，代码执行下降29.5分。Qwen3 Max材料约束较前次上升55.7分，主榜上升7.9分，代码执行下降31.2分。Grok 4代码执行下降29.7分、材料约束上升20分，主榜下降7.3分。
以上分数变动可能源于单日题目抽样波动，亦可能反映模型在特定维度上的真实表现差异，需后续同口径run复核确认。Smoke快测为小样本单日信号，当前数据仅供当日观察，不构成长期趋势判断依据。
主要变化
- Gemini 2.5 Pro：主榜下降36.6分，代码执行-52.2分，材料约束-17.5分
- Claude Sonnet 4.6：主榜上升22.5分，材料约束+50分
- GPT-o3：主榜下降18.1分，代码执行-29.5分
- Qwen3 Max：主榜上升7.9分，代码执行-31.2分，材料约束+55.7分
- Grok 4：主榜下降7.3分，代码执行-29.7分，材料约束+20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 #325 | 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