2026-09-30 赢政指数 Smoke 快测覆盖 10 个模型，Qwen3 Max 以 84.51 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 | Qwen3 Max | 84.51 | 94 | 72.9 | pass |
| #2 | Claude Sonnet 4.6 | 79.41 | 97 | 57.9 | pass |
| #3 | Claude Opus 4.7 | 77.85 | 72 | 85 | pass |
| #4 | GPT-o3 | 76.86 | 72 | 82.8 | pass |
| #5 | Gemini 3.1 Pro | 73.17 | 55.3 | 95 | pass |
| #6 | GPT-5.5 | 70.7 | 72 | 69.1 | pass |
| #7 | 豆包 Pro | 70.52 | 72 | 68.7 | pass |
| #8 | Grok 4 | 68.81 | 63 | 75.9 | pass |
| #9 | Gemini 2.5 Pro | 63.91 | 50 | 80.9 | pass |
| #10 | DeepSeek V4 Pro | 57.1 | 22 | 100 | pass |
数据解读
今日主榜前三中，Qwen3 Max以代码执行94与材料约束72.9的搭配取得84.51，Claude Sonnet 4.6则依靠代码执行97的高位在材料约束57.9下达到79.41，Claude Opus 4.7通过材料约束85在代码执行72的结构下获得77.85，显示头部模型在两项维度的强弱互补各有侧重。Gemini 3.1 Pro以材料约束95支撑主榜73.17，而DeepSeek V4 Pro材料约束100但代码执行仅22，反映出不同模型在 Smoke 测试中的即时表现差异。
Gemini 2.5 Pro主榜上升22.7、代码执行上升25、材料约束上升19.9，Claude Sonnet 4.6主榜上升13.1、代码执行上升10、材料约束上升16.9，GPT-5.5主榜下降9.5、代码执行下降28、材料约束上升13.1，这些同口径变化需结合小样本特性看待。Claude Opus 4.7代码执行暴跌28、GPT-o3代码执行暴跌21.8、豆包 Pro代码执行暴跌24.9、Grok 4代码执行暴跌31.5，均可能源于题目抽样波动或单日状态起伏，GLM-4.6因API故障数据不完整已进入补跑，本期不参与排名。
Smoke快测为每日小样本单日信号，以上分数结构与异动均需后续同口径run复核确认，避免对模型真实能力做出超出今日数据的推断。
主要变化
- Gemini 2.5 Pro：主榜上升22.7分，代码执行+25分，材料约束+19.9分
- Gemini 3.1 Pro：主榜上升18.2分，代码执行+5.3分，材料约束+34分
- Claude Sonnet 4.6：主榜上升13.1分，代码执行+10分，材料约束+16.9分
- DeepSeek V4 Pro：主榜上升11.4分，材料约束+29分，诚信warn→pass
- GPT-5.5：主榜下降9.5分，代码执行-28分，材料约束+13.1分
需要关注的信号
- Claude Opus 4.7：代码执行暴跌 -28 分
- GPT-o3：代码执行暴跌 -21.8 分
- GPT-5.5：主榜暴跌 -9.5 分
- 豆包 Pro：代码执行暴跌 -24.9 分
- Grok 4：代码执行暴跌 -31.5 分
- GLM-4.6：数据不完整（缺 execution,judgment 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 #345 | 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