2026-10-12 赢政指数 Smoke 快测覆盖 14 个模型，GPT-6 Astra 与 GPT-6.1 Sol 以 84.99 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 Astra | 84.99 | 97 | 70.3 | pass |
| #2 | GPT-6.1 Sol | 84.99 | 97 | 70.3 | pass |
| #3 | 豆包 Pro | 84.66 | 91.5 | 76.3 | pass |
| #4 | GPT-6 Sol | 82.79 | 94.8 | 68.1 | pass |
| #5 | GPT-6 Luna | 78.55 | 97 | 56 | pass |
| #6 | Claude Sonnet 4.6 | 73.94 | 72 | 76.3 | pass |
| #7 | DeepSeek V4 Pro | 72.59 | 72 | 73.3 | pass |
| #8 | GPT-5.5 | 72.59 | 72 | 73.3 | pass |
| #9 | Gemini 3.1 Pro | 71.6 | 72 | 71.1 | pass |
| #10 | GPT-o3 | 71.38 | 69.8 | 73.3 | pass |
| #11 | Gemini 2.5 Pro | 71.21 | 69.5 | 73.3 | pass |
| #12 | Grok 4 | 68.02 | 63.7 | 73.3 | pass |
| #13 | Claude Opus 4.7 | 58.84 | 47 | 73.3 | pass |
| #14 | GLM-4.6 | 41.18 | 16.7 | 71.1 | pass |
数据解读
今日主榜前两名GPT-6 Astra与GPT-6.1 Sol均呈现代码执行97、材料约束70.3的结构，主榜同为84.99；豆包Pro代码执行91.5、材料约束76.3，主榜84.66，显示材料约束相对更强的搭配。GPT-6 Luna代码执行97、材料约束56，主榜78.55，体现代码执行主导的特征。Claude Sonnet 4.6代码执行72、材料约束76.3，主榜73.94，与DeepSeek V4 Pro和GPT-5.5同分段的材料约束73.3形成对比。
豆包Pro主榜+29.9分、代码执行+44.5分、材料约束+12分，GPT-5.5主榜+24.2分、代码执行+25分、材料约束+23.3分，DeepSeek V4 Pro主榜+23.1分、代码执行+25分、材料约束+20.7分，GPT-6 Sol主榜+16.8分、代码执行+47.8分、材料约束-21.2分，反映单日代码执行与材料约束搭配的明显起伏。GPT-6 Astra材料约束暴跌-19分、GPT-6.1 Sol材料约束暴跌-19分、Gemini 2.5 Pro材料约束暴跌-16分、Claude Opus 4.7主榜暴跌-21分、GLM-4.6主榜暴跌-13.6分，这些异常信号可能源于题目抽样波动，也可能是真实退化迹象，需后续run复核确认。
Smoke为小样本单日信号，以上解读仅基于当日数据结构，不做长期判断。
主要变化
- 豆包 Pro：主榜上升29.9分，代码执行+44.5分，材料约束+12分
- GPT-5.5：主榜上升24.2分，代码执行+25分，材料约束+23.3分
- DeepSeek V4 Pro：主榜上升23.1分，代码执行+25分，材料约束+20.7分
- Claude Opus 4.7：主榜下降21分，代码执行-25分，材料约束-16分
- GPT-6 Sol：主榜上升16.8分，代码执行+47.8分，材料约束-21.2分
需要关注的信号
- GPT-6 Astra：材料约束暴跌 -19 分
- GPT-6.1 Sol：材料约束暴跌 -19 分
- GPT-6 Sol：材料约束暴跌 -21.2 分
- Gemini 2.5 Pro：材料约束暴跌 -16 分
- Claude Opus 4.7：主榜暴跌 -21 分
- GLM-4.6：主榜暴跌 -13.6 分
- 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 #373 | 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