2026-11-09 赢政指数 Smoke 快测覆盖 13 个模型，GPT-6 Sol 与 GPT-o3 以 92.49 分并列当日首位。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-6 Sol | 92.49 | 100 | 83.3 | pass |
| #2 | GPT-o3 | 92.49 | 100 | 83.3 | pass |
| #3 | Grok 4 | 91.33 | 93.8 | 88.3 | pass |
| #4 | Claude Sonnet 4.6 | 91 | 100 | 80 | pass |
| #5 | GPT-6 Luna | 90.24 | 100 | 78.3 | pass |
| #6 | GPT-6 Astra | 87.99 | 100 | 73.3 | pass |
| #7 | GPT-6.1 Sol | 87.99 | 100 | 73.3 | pass |
| #8 | 豆包 Pro | 83.49 | 100 | 63.3 | pass |
| #9 | Gemini 2.5 Pro | 82.52 | 75 | 91.7 | pass |
| #10 | Claude Opus 4.7 | 78.74 | 75 | 83.3 | pass |
| #11 | Gemini 3.1 Pro | 78.74 | 75 | 83.3 | pass |
| #12 | GPT-5.5 | 78.74 | 75 | 83.3 | pass |
| #13 | DeepSeek V4 Pro | 68 | 50 | 90 | pass |
数据解读
今日Smoke快测显示，GPT-6 Sol与GPT-o3主榜分数同为92.49，代码执行均达100而材料约束均为83.3，此搭配使其位居前列。Grok 4主榜91.33，代码执行93.8、材料约束88.3，材料约束得分相对突出。Claude Sonnet 4.6代码执行100、材料约束80，主榜91分，头部模型多呈现代码执行强势但材料约束各异的特点。
Gemini 2.5 Pro主榜较前次提升30.5分，代码执行提升55分；GPT-o3主榜提升29.1分，代码执行提升55.6分且诚信转为pass；豆包 Pro主榜提升23.9分，代码执行提升46.7分；Claude Opus 4.7主榜提升23.4分，代码执行提升49分但材料约束下降7.8分。这些异动模型在代码执行维度出现明显变化。
GLM-4.6与Qwen3 Max因API故障数据不完整，未进入排名，可能为抽样波动或真实退化，需后续run复核确认。Smoke快测作为小样本单日信号，相关分数变化应保持克制解读。
主要变化
- Gemini 2.5 Pro：主榜上升30.5分，代码执行+55分
- GPT-o3：主榜上升29.1分，代码执行+55.6分，诚信warn→pass
- 豆包 Pro：主榜上升23.9分，代码执行+46.7分，诚信warn→pass
- Claude Opus 4.7：主榜上升23.4分，代码执行+49分，材料约束-7.8分
- Gemini 3.1 Pro：主榜上升22.6分，代码执行+49.2分，材料约束-10分
需要关注的信号
- 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
- Qwen3 Max：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 #418 | 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