Grok 4以97.66分居首：2026-09-27 Smoke快测数据简报

2026-09-27 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 97.66 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以代码执行100、材料约束94.8取得主榜97.66，Claude Opus 4.7与GPT-o3均以代码执行97、材料约束94.8并列主榜96.01，Claude Sonnet 4.6则为代码执行93.9、材料约束90.1。Qwen3 Max代码执行79.6但材料约束94.8，主榜86.44；豆包Pro代码执行92、材料约束72，主榜83，显示高代码执行与低材料约束的组合。

与上一同口径run相比，Grok 4主榜+27.3分、代码执行+25分、材料约束+30分，Qwen3 Max主榜+11分、材料约束+21分；GPT-5.5主榜-12.5分、代码执行-28分，Gemini 2.5 Pro主榜-10.4分、代码执行-17.5分，豆包Pro主榜-9.8分、材料约束-13.7分，DeepSeek V4 Pro主榜-8.3分。这些异动可能源于题目抽样波动，也可能反映单日真实表现变化，需后续run复核确认。

Smoke快测为小样本单日信号，GLM-4.6因数据不完整未参与排名。以上分数结构与变化均直接引用当日数据，暂不做长期推断。

主要变化

• Grok 4：主榜上升27.3分，代码执行+25分，材料约束+30分
• GPT-5.5：主榜下降12.5分，代码执行-28分，材料约束+6.4分
• Qwen3 Max：主榜上升11分，材料约束+21分
• Gemini 2.5 Pro：主榜下降10.4分，代码执行-17.5分
• 豆包 Pro：主榜下降9.8分，代码执行-6.7分，材料约束-13.7分

需要关注的信号

• 豆包 Pro：主榜暴跌 -9.8 分
• GPT-5.5：主榜暴跌 -12.5 分
• Gemini 2.5 Pro：主榜暴跌 -10.4 分
• DeepSeek V4 Pro：主榜暴跌 -8.3 分
• GLM-4.6：数据不完整（缺 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 #340 | 查看原始数据