2026-09-28 赢政指数 Smoke 快测覆盖 11 个模型，GPT-5.5 以 93.16 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-5.5 | 93.16 | 95 | 90.9 | pass |
| #2 | Claude Sonnet 4.6 | 91.81 | 100 | 81.8 | pass |
| #3 | Grok 4 | 91.81 | 100 | 81.8 | pass |
| #4 | Qwen3 Max | 91.78 | 92.5 | 90.9 | warn |
| #5 | Claude Opus 4.7 | 82.16 | 75 | 90.9 | pass |
| #6 | GPT-o3 | 80.78 | 72.5 | 90.9 | pass |
| #7 | DeepSeek V4 Pro | 70.91 | 75 | 65.9 | warn |
| #8 | Gemini 3.1 Pro | 68.63 | 78.3 | 56.8 | pass |
| #9 | 豆包 Pro | 68.16 | 70 | 65.9 | warn |
| #10 | Gemini 2.5 Pro | 64.06 | 70 | 56.8 | pass |
| #11 | GLM-4.6 | 51.91 | 20 | 90.9 | pass |
数据解读
今日主榜前三中，GPT-5.5以代码执行95、材料约束90.9组合获得93.16，Claude Sonnet 4.6与Grok 4则均以代码执行100、材料约束81.8的搭配并列91.81，显示头部模型在两项能力上的强弱互补各有侧重。Qwen3 Max代码执行92.5、材料约束90.9，主榜91.78紧随其后，而Claude Opus 4.7与GPT-o3均呈现代码执行偏低、材料约束90.9的结构，主榜分值分别落在82.16与80.78区间。
异常信号方面，Claude Opus 4.7主榜暴跌-13.9分、GPT-o3主榜暴跌-15.2分、豆包 Pro主榜暴跌-14.8分且诚信由pass转为warn，GLM-4.6代码执行暴跌-47分，这些单日变化可能源于题目抽样波动，也可能反映真实退化，需后续同口径run复核确认。Smoke快测样本量有限，上述数字仅为当日观察，不宜外推模型整体表现。
主要变化
- GPT-o3：主榜下降15.2分，代码执行-24.5分
- 豆包 Pro：主榜下降14.8分，代码执行-22分，材料约束-6.1分，诚信pass→warn
- GPT-5.5：主榜上升14.4分，代码执行+23分
- Claude Opus 4.7：主榜下降13.9分，代码执行-22分
- Grok 4：主榜下降5.8分，材料约束-13分
需要关注的信号
- Claude Opus 4.7：主榜暴跌 -13.9 分
- GPT-o3：主榜暴跌 -15.2 分
- 豆包 Pro：主榜暴跌 -14.8 分
- GLM-4.6：代码执行暴跌 -47 分
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 #341 | 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