Grok 4以95.44分居首：2026-09-21 Smoke快测数据简报

2026-09-21 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 95.44 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 快测中，头部模型在代码执行与材料约束的搭配上呈现不同特征。Grok 4 主榜 95.44，代码执行 91.7，材料约束 100，其材料约束得分突出。Gemini 3.1 Pro 主榜 95.19，代码执行 100，材料约束 89.3，代码执行维度达到满分。DeepSeek V4 Pro 主榜 95.01，代码执行 100，材料约束 88.9，同样依赖代码执行高分支撑。豆包 Pro 主榜 90.62，代码执行 91.7，材料约束 89.3，两种维度较为均衡。

与上一同口径 run 相比，部分模型出现明显波动。Claude Opus 4.7 主榜-26.2分，代码执行-44.4分。Grok 4 主榜+20.1分，代码执行+17.4分，材料约束+23.3分。Gemini 3.1 Pro 主榜+19.8分，代码执行+25.7分，材料约束+12.6分。DeepSeek V4 Pro 主榜+19.2分，代码执行+25分，材料约束+12.2分。Gemini 2.5 Pro 主榜+18.4分，代码执行+41.7分，材料约束-10.1分。

异常信号方面，GPT-5.5 主榜暴跌 -10.1 分，Claude Sonnet 4.6 主榜暴跌 -17 分，Qwen3 Max 主榜暴跌 -17.3 分，Claude Opus 4.7 主榜暴跌 -26.2 分，这些变化可能源于题目抽样波动或真实退化，需后续 run 复核确认。GLM-4.6 数据不完整，已进入自动补跑，本期不参与排名。Smoke 作为小样本单日信号，上述观察仅供参考。

主要变化

• Claude Opus 4.7：主榜下降26.2分，代码执行-44.4分
• Grok 4：主榜上升20.1分，代码执行+17.4分，材料约束+23.3分，诚信pass→warn
• Gemini 3.1 Pro：主榜上升19.8分，代码执行+25.7分，材料约束+12.6分
• DeepSeek V4 Pro：主榜上升19.2分，代码执行+25分，材料约束+12.2分
• Gemini 2.5 Pro：主榜上升18.4分，代码执行+41.7分，材料约束-10.1分

需要关注的信号

• GPT-5.5：主榜暴跌 -10.1 分
• Claude Sonnet 4.6：主榜暴跌 -17 分
• Qwen3 Max：主榜暴跌 -17.3 分
• Claude Opus 4.7：主榜暴跌 -26.2 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 #332 | 查看原始数据