2026-09-17 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 77.45 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 | 77.45 | 72 | 84.1 | pass |
| #2 | Gemini 2.5 Pro | 77.35 | 73.7 | 81.8 | pass |
| #3 | Claude Sonnet 4.6 | 76.41 | 72 | 81.8 | pass |
| #4 | GPT-5.5 | 75.2 | 69.8 | 81.8 | pass |
| #5 | 豆包 Pro | 70.19 | 73.7 | 65.9 | pass |
| #6 | Claude Opus 4.7 | 66.76 | 47 | 90.9 | pass |
| #7 | Gemini 3.1 Pro | 66.76 | 47 | 90.9 | pass |
| #8 | Grok 4 | 65.5 | 67.3 | 63.3 | pass |
| #9 | Qwen3 Max | 54.66 | 25 | 90.9 | pass |
| #10 | DeepSeek V4 Pro | 47.84 | 50 | 45.2 | pass |
数据解读
从今日主榜数据看，GPT-o3以代码执行72、材料约束84.1的搭配获得77.45分，Gemini 2.5 Pro则以代码执行73.7、材料约束81.8取得77.35分，二者均呈现代码与材料相对均衡的结构。Claude Sonnet 4.6同样以代码执行72、材料约束81.8拿到76.41分，头部模型在两项指标上均保持较高水准，未出现明显单一短板。
与上一同口径run相比，Qwen3 Max主榜下降25.9分，其中代码执行下降43.8分；Claude Sonnet 4.6主榜下降23.6分，代码执行下降28分、材料约束下降18.2分；DeepSeek V4 Pro主榜下降19.6分，材料约束下降49.8分。这些变化可能源于题目抽样波动，也可能是模型在特定任务上的真实表现起伏，需后续run复核确认。
Smoke测试为小样本单日信号，当前数据仅反映当日10题结果，Claude Opus 4.7与Gemini 3.1 Pro均以代码执行47、材料约束90.9并列66.76分，Grok 4主榜65.5分，整体结构差异仍需更多样本观察。
主要变化
- Qwen3 Max：主榜下降25.9分，代码执行-43.8分
- Claude Sonnet 4.6：主榜下降23.6分，代码执行-28分，材料约束-18.2分
- DeepSeek V4 Pro：主榜下降19.6分，代码执行+5.2分，材料约束-49.8分
- Claude Opus 4.7：主榜下降17.2分，代码执行-28分
- Grok 4：主榜下降15.9分，材料约束-31.7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 #327 | 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