GPT-o3以83.94分居首：2026-09-03 Smoke快测数据简报
2026-09-03 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 83.94 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 | 83.94 | 100 | 64.3 | pass |
| #2 | 豆包 Pro | 79.12 | 100 | 53.6 | pass |
| #3 | GPT-5.5 | 79.12 | 100 | 53.6 | pass |
| #4 | Claude Sonnet 4.6 | 66.09 | 75 | 55.2 | pass |
| #5 | Gemini 3.1 Pro | 65.84 | 83.3 | 44.5 | pass |
| #6 | Grok 4 | 62 | 75 | 46.1 | pass |
| #7 | Claude Opus 4.7 | 58.94 | 75 | 39.3 | pass |
| #8 | Qwen3 Max | 56.09 | 60 | 51.3 | pass |
| #9 | GLM-4.6 | 48.25 | 50 | 46.1 | fail |
| #10 | Gemini 2.5 Pro | 47.53 | 50 | 44.5 | pass |
| #11 | DeepSeek V4 Pro | 45.19 | 50 | 39.3 | pass |
数据解读
今日赢政指数Smoke快测中，头部模型在代码执行与材料约束的搭配上呈现明显分化。GPT-o3以代码执行100、材料约束64.3取得主榜83.94，豆包Pro与GPT-5.5则同为代码执行100、材料约束53.6，主榜均为79.12。Claude Sonnet 4.6代码执行75、材料约束55.2，主榜66.09，Gemini 3.1 Pro代码执行83.3、材料约束44.5，主榜65.84。这些模型中，代码执行满分的组合在主榜公式0.55×代码执行+0.45×材料约束下占据前位，而材料约束得分相对较低的模型则依赖代码执行拉高整体。
多款模型较上一同口径run出现显著回落。Gemini 2.5 Pro主榜下降40.9分，代码执行下降50分，材料约束下降29.7分；Grok 4主榜下降26.4分，代码执行下降25分，材料约束下降28.1分；Claude Sonnet 4.6主榜下降22.3分，代码执行下降25分，材料约束下降19分；DeepSeek V4 Pro与Gemini 3.1 Pro也分别出现主榜22.3分与21.8分的下滑，对应代码执行与材料约束的双项回落。
本次Smoke快测为小样本单日信号，上述变化可能源于题目抽样波动，也存在真实退化的可能，需后续run复核以确认稳定性。诚信fail的GLM-4.6主榜48.25，其代码执行50、材料约束46.1的结构在榜单中位居中游，未对整体排序产生额外影响。
主要变化
- Gemini 2.5 Pro：主榜下降40.9分，代码执行-50分，材料约束-29.7分
- Grok 4：主榜下降26.4分，代码执行-25分，材料约束-28.1分
- Claude Sonnet 4.6：主榜下降22.3分，代码执行-25分，材料约束-19分
- DeepSeek V4 Pro：主榜下降22.3分，代码执行-25分，材料约束-19分
- Gemini 3.1 Pro：主榜下降21.8分，代码执行-16.7分，材料约束-28.1分
需要关注的信号
- GLM-4.6：今日诚信评级为 fail（基于当日 Smoke 数据）。
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 #307 | 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