2026-09-14 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 DeepSeek V4 Pro 与 豆包 Pro 与 GPT-5.5 以 91.09 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 | Claude Opus 4.7 | 91.09 | 100 | 80.2 | pass |
| #2 | DeepSeek V4 Pro | 91.09 | 100 | 80.2 | pass |
| #3 | 豆包 Pro | 91.09 | 100 | 80.2 | pass |
| #4 | GPT-5.5 | 91.09 | 100 | 80.2 | pass |
| #5 | Gemini 3.1 Pro | 87 | 100 | 71.1 | pass |
| #6 | Grok 4 | 86.61 | 99.3 | 71.1 | pass |
| #7 | Claude Sonnet 4.6 | 82.5 | 100 | 61.1 | pass |
| #8 | Qwen3 Max | 70.47 | 62.5 | 80.2 | warn |
| #9 | Gemini 2.5 Pro | 70.19 | 75 | 64.3 | pass |
| #10 | GPT-o3 | 70.19 | 75 | 64.3 | pass |
数据解读
今日主榜前四模型Claude Opus 4.7、DeepSeek V4 Pro、豆包 Pro与GPT-5.5均呈现代码执行100、材料约束80.2的结构，主榜同为91.09，显示两者强弱搭配均衡且数值一致；Gemini 3.1 Pro代码执行同样100但材料约束降至71.1，主榜回落至87；Grok 4代码执行99.3、材料约束71.1，主榜86.61；Claude Sonnet 4.6代码执行100、材料约束61.1，主榜82.5，体现材料约束分差对整体排位的影响。
GPT-5.5主榜较前次同口径run上升30.2分，其中代码执行上升25分、材料约束上升36.6分；Claude Sonnet 4.6主榜上升28.9分、代码执行上升50分；Claude Opus 4.7主榜上升27.5分、代码执行上升50分；DeepSeek V4 Pro主榜上升13.8分、代码执行上升25分；GPT-o3主榜下降15分、代码执行下降25分。以上变动均来自单日Smoke小样本数据，需后续run复核以区分题目抽样波动或真实退化。
GPT-o3主榜出现-15分异常信号，可能源于单日抽样波动或模型表现暂时变化，需补充完整run验证；GLM-4.6因缺execution、grounding、judgment、integrity、communication维度数据未参与排名，API故障或超时已触发自动补跑，本期结果仅作当日参考。
主要变化
- GPT-5.5：主榜上升30.2分，代码执行+25分，材料约束+36.6分
- Claude Sonnet 4.6：主榜上升28.9分，代码执行+50分
- Claude Opus 4.7：主榜上升27.5分，代码执行+50分
- GPT-o3：主榜下降15分，代码执行-25分
- DeepSeek V4 Pro：主榜上升13.8分，代码执行+25分
需要关注的信号
- GPT-o3：主榜暴跌 -15 分
- GLM-4.6：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 #322 | 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