2026-10-25 赢政指数 Smoke 快测覆盖 14 个模型，Grok 4 以 96.65 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 | Grok 4 | 96.65 | 93.9 | 100 | pass |
| #2 | GPT-5.5 | 95.19 | 100 | 89.3 | pass |
| #3 | GPT-6 Luna | 94.09 | 98 | 89.3 | pass |
| #4 | 豆包 Pro | 93.48 | 96.9 | 89.3 | pass |
| #5 | GPT-6 Sol | 88.68 | 92.5 | 84 | pass |
| #6 | GPT-6 Astra | 85.44 | 94.8 | 74 | pass |
| #7 | Claude Opus 4.7 | 81.44 | 75 | 89.3 | pass |
| #8 | Gemini 3.1 Pro | 81.44 | 75 | 89.3 | pass |
| #9 | GPT-6.1 Sol | 79.82 | 94.8 | 61.5 | pass |
| #10 | GPT-o3 | 76.8 | 70.5 | 84.5 | pass |
| #11 | Claude Sonnet 4.6 | 72.5 | 50 | 100 | pass |
| #12 | Gemini 2.5 Pro | 71.29 | 47.8 | 100 | pass |
| #13 | DeepSeek V4 Pro | 67.69 | 50 | 89.3 | pass |
| #14 | GLM-4.6 | 31.44 | 25 | 39.3 | pass |
数据解读
今日赢政指数Smoke快测中，头部模型在代码执行与材料约束的搭配上呈现明显分化。Grok 4以主榜96.65位居首位，其代码执行93.9、材料约束100；GPT-5.5主榜95.19，代码执行100、材料约束89.3；GPT-6 Luna主榜94.09，代码执行98、材料约束89.3。三者均通过诚信检验，显示高代码执行与高材料约束的组合在当日小样本中形成领先优势。
部分模型则体现单一维度突出但整体受限的特点。Claude Sonnet 4.6主榜72.5，代码执行50、材料约束100；Gemini 2.5 Pro主榜71.29，代码执行47.8、材料约束100；GLM-4.6主榜31.44，代码执行25、材料约束39.3。此类搭配在主榜公式下得分相对靠后，反映当日测试中材料约束高而代码执行偏低的结构特征。
Qwen3 Max因API故障导致数据不完整，缺execution、grounding等维度，本期未参与排名。该信号可能源于题目抽样波动或临时接口问题，需后续run复核确认是否为真实退化。Smoke快测为单日小样本信号，以上观察仅供当日参考。
主要变化
- 本次没有同口径历史 run 可比，只展示当日数据。
需要关注的信号
- 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 #394 | 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