2026-10-24 赢政指数 Smoke 快测覆盖 13 个模型，Claude Sonnet 4.6 以 89.8 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 | Claude Sonnet 4.6 | 89.8 | 97 | 81 | pass |
| #2 | Claude Opus 4.7 | 86.02 | 97 | 72.6 | pass |
| #3 | Grok 4 | 77.26 | 74.2 | 81 | warn |
| #4 | 豆包 Pro | 77.09 | 72 | 83.3 | pass |
| #5 | GPT-6 Luna | 73.35 | 72 | 75 | pass |
| #6 | GPT-6 Sol | 72.27 | 72 | 72.6 | pass |
| #7 | GPT-o3 | 72.27 | 72 | 72.6 | pass |
| #8 | GPT-5.5 | 65.84 | 72 | 58.3 | pass |
| #9 | Gemini 2.5 Pro | 59.45 | 50 | 71 | pass |
| #10 | GPT-6 Astra | 54.02 | 47 | 62.6 | pass |
| #11 | GPT-6.1 Sol | 54.02 | 47 | 62.6 | pass |
| #12 | DeepSeek V4 Pro | 48.55 | 22 | 81 | pass |
| #13 | Gemini 3.1 Pro | 44.77 | 22 | 72.6 | pass |
数据解读
今日主榜前两名均为Claude系列模型，其中Claude Sonnet 4.6以代码执行97、材料约束81拿下主榜89.8，Claude Opus 4.7则以相同代码执行97搭配材料约束72.6获得主榜86.02。Grok 4与豆包Pro紧随其后，前者代码执行74.2、材料约束81，主榜77.26，后者代码执行72、材料约束83.3，主榜77.09。头部模型在代码执行与材料约束两项上的强弱搭配各有侧重，Claude系列在代码执行端保持高位，豆包Pro则在材料约束端略高。
GPT-6.1 Sol主榜下滑33.3分，代码执行下滑53分，材料约束下滑9.1分；Gemini 3.1 Pro主榜下滑28.8分，代码执行下滑53分；GPT-6 Astra主榜下滑27.4分，代码执行下滑47.8分；DeepSeek V4 Pro主榜下滑25分，代码执行下滑53分，材料约束上升9.3分。Claude Sonnet 4.6则主榜上升11.5分，材料约束上升29.3分。这些单日异动可能源于题目抽样波动，也可能是模型真实表现出现变化，均需后续同口径run进行复核确认。
Smoke快测为小样本单日信号，上述分数结构与变化仅反映当日数据，暂不做长期判断。
主要变化
- GPT-6.1 Sol：主榜下降33.3分，代码执行-53分，材料约束-9.1分
- Gemini 3.1 Pro：主榜下降28.8分，代码执行-53分
- GPT-6 Astra：主榜下降27.4分，代码执行-47.8分
- DeepSeek V4 Pro：主榜下降25分，代码执行-53分，材料约束+9.3分
- Claude Sonnet 4.6：主榜上升11.5分，材料约束+29.3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 #393 | 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