GPT-o3以96.98分居首：2026-09-01 Smoke快测数据简报
2026-09-01 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 96.98 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-o3 | 96.98 | 94.5 | 100 | warn |
| #2 | 豆包 Pro | 87.74 | 88.5 | 86.8 | pass |
| #3 | Claude Sonnet 4.6 | 86.54 | 94.5 | 76.8 | pass |
| #4 | Grok 4 | 84.99 | 72.7 | 100 | pass |
| #5 | Claude Opus 4.7 | 83.23 | 69.5 | 100 | pass |
| #6 | DeepSeek V4 Pro | 83.23 | 69.5 | 100 | pass |
| #7 | Gemini 2.5 Pro | 83.23 | 69.5 | 100 | pass |
| #8 | Gemini 3.1 Pro | 83.23 | 69.5 | 100 | pass |
| #9 | GPT-5.5 | 83.23 | 69.5 | 100 | pass |
| #10 | Qwen3 Max | 77.56 | 70 | 86.8 | pass |
| #11 | GLM-4.6 | 69.48 | 44.5 | 100 | fail |
主要变化
- DeepSeek V4 Pro：主榜上升21.6分，代码执行+25分，材料约束+17.4分
- Gemini 2.5 Pro：主榜上升21.6分，代码执行+25分，材料约束+17.4分
- Gemini 3.1 Pro：主榜上升17分，代码执行+16.7分，材料约束+17.4分
- GPT-o3：主榜上升16.1分，材料约束+35.7分，诚信pass→warn
- Claude Sonnet 4.6：主榜上升11.1分，代码执行+25分，材料约束-5.8分
需要关注的信号
- Grok 4：代码执行暴跌 -21.8 分
- GPT-5.5：代码执行暴跌 -25 分
- GLM-4.6：诚信评级降为 Fail (warn→fail)
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 #304 | 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