2026-10-13 赢政指数 Smoke 快测覆盖 13 个模型，Gemini 3.1 Pro 以 82.39 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 | Gemini 3.1 Pro | 82.39 | 91.7 | 71 | pass |
| #2 | GPT-o3 | 70.91 | 75 | 65.9 | pass |
| #3 | Grok 4 | 70.91 | 75 | 65.9 | warn |
| #4 | 豆包 Pro | 69.11 | 75 | 61.9 | pass |
| #5 | DeepSeek V4 Pro | 64.27 | 50 | 81.7 | pass |
| #6 | GPT-6 Luna | 62.85 | 75 | 48 | pass |
| #7 | GPT-6.1 Sol | 61 | 58.3 | 64.3 | pass |
| #8 | Claude Sonnet 4.6 | 60.17 | 50 | 72.6 | pass |
| #9 | GPT-5.5 | 59.92 | 58.3 | 61.9 | pass |
| #10 | GPT-6 Astra | 59.92 | 58.3 | 61.9 | pass |
| #11 | GPT-6 Sol | 59.84 | 75 | 41.3 | pass |
| #12 | Claude Opus 4.7 | 59.45 | 50 | 71 | pass |
| #13 | Gemini 2.5 Pro | 57.16 | 50 | 65.9 | pass |
数据解读
今日赢政指数Smoke快测中，Gemini 3.1 Pro以主榜82.39分位居首位，其代码执行91.7分与材料约束71分形成明显强搭配，0.55权重下的代码执行贡献突出。GPT-o3与Grok 4并列主榜70.91分，均呈现代码执行75分、材料约束65.9分的结构，头部模型整体依赖代码执行侧的得分拉动。DeepSeek V4 Pro则以材料约束81.7分为特点，主榜64.27分反映出材料约束侧的相对优势。
GPT-6 Astra主榜下降25.1分、代码执行下降38.7分、材料约束下降8.4分，GPT-6.1 Sol主榜下降24分、代码执行下降38.7分、材料约束下降6分，GPT-6 Sol主榜下降23分、代码执行下降19.8分、材料约束下降26.8分，GPT-6 Luna主榜下降15.7分、代码执行下降22分、材料约束下降8分，以及豆包 Pro主榜下降15.6分、代码执行下降16.5分、材料约束下降14.4分，均属单日显著异动。上述变化可能源于题目抽样波动，亦可能反映真实退化，需后续同口径run复核确认。
Smoke快测为小样本单日信号，当前数据仅显示头部模型在代码执行与材料约束间的不同搭配，未见其他异常，解读保持克制以避免过度推断。
主要变化
- GPT-6 Astra：主榜下降25.1分，代码执行-38.7分，材料约束-8.4分
- GPT-6.1 Sol：主榜下降24分，代码执行-38.7分，材料约束-6分
- GPT-6 Sol：主榜下降23分，代码执行-19.8分，材料约束-26.8分
- GPT-6 Luna：主榜下降15.7分，代码执行-22分，材料约束-8分
- 豆包 Pro：主榜下降15.6分，代码执行-16.5分，材料约束-14.4分
需要关注的信号
- 本次未保留可发布的异常信号。
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 #375 | 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