2026-10-14 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 与 DeepSeek V4 Pro 与 GPT-o3 以 92.39 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 | 92.39 | 94.5 | 89.8 | pass |
| #2 | DeepSeek V4 Pro | 92.39 | 94.5 | 89.8 | pass |
| #3 | GPT-o3 | 92.39 | 94.5 | 89.8 | pass |
| #4 | GPT-5.5 | 88.6 | 89.5 | 87.5 | pass |
| #5 | 豆包 Pro | 88.54 | 85.3 | 92.5 | pass |
| #6 | GPT-6.1 Sol | 88.29 | 89.5 | 86.8 | pass |
| #7 | GPT-6 Astra | 87.25 | 89.5 | 84.5 | pass |
| #8 | GPT-6 Sol | 86.81 | 88.7 | 84.5 | pass |
| #9 | Grok 4 | 83.2 | 77.8 | 89.8 | warn |
| #10 | Claude Sonnet 4.6 | 78.64 | 69.5 | 89.8 | pass |
| #11 | Gemini 2.5 Pro | 76.33 | 65.3 | 89.8 | pass |
| #12 | Gemini 3.1 Pro | 75.89 | 64.5 | 89.8 | pass |
| #13 | GPT-6 Luna | 74.54 | 64.5 | 86.8 | pass |
数据解读
今日赢政指数Smoke快测显示，Claude Opus 4.7、DeepSeek V4 Pro与GPT-o3主榜并列92.39，代码执行均为94.5，材料约束均为89.8，三者在代码执行与材料约束的强弱搭配上呈现均衡特征。GPT-5.5主榜88.6，代码执行89.5，材料约束87.5；豆包Pro主榜88.54，代码执行85.3，材料约束92.5，后者材料约束相对突出。GPT-6.1 Sol主榜88.29，代码执行89.5，材料约束86.8，此类模型在两维度间保持一定平衡。
与上一同口径run相比，Claude Opus 4.7主榜+32.9分、代码执行+44.5分、材料约束+18.8分，DeepSeek V4 Pro主榜+28.1分、代码执行+44.5分、材料约束+8.1分，GPT-5.5主榜+28.7分、代码执行+31.2分、材料约束+25.6分，这些异动模型主要体现在代码执行维度的较大提升。GPT-6.1 Sol主榜+27.3分、代码执行+31.2分、材料约束+22.5分，GPT-6 Astra主榜+27.3分、代码执行+31.2分、材料约束+22.6分，显示分数结构中代码执行与材料约束的同步变动。
Gemini 3.1 Pro代码执行暴跌-27.2分，此异常信号可能源于题目抽样波动或真实退化，需后续run复核确认。GLM-4.6与Qwen3 Max因数据不完整未参与排名，Smoke作为小样本单日信号，相关解读保持克制。
主要变化
- Claude Opus 4.7：主榜上升32.9分，代码执行+44.5分，材料约束+18.8分
- GPT-5.5：主榜上升28.7分，代码执行+31.2分，材料约束+25.6分
- DeepSeek V4 Pro：主榜上升28.1分，代码执行+44.5分，材料约束+8.1分
- GPT-6.1 Sol：主榜上升27.3分，代码执行+31.2分，材料约束+22.5分
- GPT-6 Astra：主榜上升27.3分，代码执行+31.2分，材料约束+22.6分
需要关注的信号
- Gemini 3.1 Pro：代码执行暴跌 -27.2 分
- GLM-4.6：数据不完整（缺 grounding,judgment 维度，API 故障/超时），已进入自动补跑，本期不参与排名
- 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 #378 | 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