2026-09-22 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 96.01 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 | 96.01 | 97 | 94.8 | pass |
| #2 | Claude Sonnet 4.6 | 91.24 | 97 | 84.2 | pass |
| #3 | Claude Opus 4.7 | 91.15 | 97 | 84 | pass |
| #4 | Grok 4 | 90.86 | 96.3 | 84.2 | pass |
| #5 | 豆包 Pro | 90.77 | 96.3 | 84 | pass |
| #6 | GPT-5.5 | 86.16 | 97 | 72.9 | pass |
| #7 | Gemini 3.1 Pro | 79.29 | 96.3 | 58.5 | pass |
| #8 | Qwen3 Max | 78.44 | 72 | 86.3 | pass |
| #9 | Gemini 2.5 Pro | 72.5 | 72 | 73.1 | pass |
| #10 | DeepSeek V4 Pro | 66.02 | 72 | 58.7 | pass |
数据解读
今日赢政指数Smoke快测中，GPT-o3以代码执行97、材料约束94.8的强弱搭配取得主榜96.01，位列首位，其0.55与0.45权重下的整体表现突出。Claude Sonnet 4.6和Claude Opus 4.7同样代码执行97，但材料约束分别为84.2和84，主榜分列91.24与91.15；Grok 4与豆包Pro代码执行96.3、材料约束84.2和84，排名紧随其后。Qwen3 Max则呈现代码执行72、材料约束86.3的互补结构，主榜78.44。
异动模型中，DeepSeek V4 Pro主榜66.02，较前次下降29分，代码执行72、材料约束58.7同步回落28分与30.2分；Claude Opus 4.7主榜上升20.4分，主要来自代码执行增加41.4分；Claude Sonnet 4.6代码执行增加47分，主榜上升18.7分。Gemini 3.1 Pro主榜下降15.9分，材料约束下降30.8分；GPT-o3主榜上升14.6分，代码执行上升22分。
异常信号方面，Claude Sonnet 4.6与Grok 4材料约束均下降15.8分，Gemini 2.5 Pro主榜下降13.1分，DeepSeek V4 Pro主榜下降29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。Smoke作为小样本单日信号，当前数据仅供参考。
主要变化
- DeepSeek V4 Pro：主榜下降29分，代码执行-28分，材料约束-30.2分
- Claude Opus 4.7：主榜上升20.4分，代码执行+41.4分，材料约束-5.3分
- Claude Sonnet 4.6：主榜上升18.7分，代码执行+47分，材料约束-15.8分
- Gemini 3.1 Pro：主榜下降15.9分，材料约束-30.8分
- GPT-o3：主榜上升14.6分，代码执行+22分，材料约束+5.5分
需要关注的信号
- Claude Sonnet 4.6：材料约束暴跌 -15.8 分
- Grok 4：材料约束暴跌 -15.8 分
- Gemini 3.1 Pro：主榜暴跌 -15.9 分
- Gemini 2.5 Pro：主榜暴跌 -13.1 分
- DeepSeek V4 Pro：主榜暴跌 -29 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 #334 | 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