2026-10-26 赢政指数 Smoke 快测覆盖 13 个模型，GPT-6.1 Sol 以 86.05 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-6.1 Sol | 86.05 | 100 | 69 | pass |
| #2 | GPT-6 Astra | 83.49 | 100 | 63.3 | pass |
| #3 | Claude Sonnet 4.6 | 75.73 | 72.4 | 79.8 | pass |
| #4 | GPT-6 Luna | 62.75 | 51.9 | 76 | pass |
| #5 | GPT-6 Sol | 62.62 | 57.4 | 69 | pass |
| #6 | Grok 4 | 58.57 | 41.2 | 79.8 | pass |
| #7 | Claude Opus 4.7 | 51 | 29.8 | 76.9 | pass |
| #8 | Gemini 2.5 Pro | 49.95 | 27.9 | 76.9 | pass |
| #9 | 豆包 Pro | 47.92 | 28.3 | 71.9 | pass |
| #10 | Gemini 3.1 Pro | 43.09 | 25 | 65.2 | pass |
| #11 | DeepSeek V4 Pro | 41.99 | 0 | 93.3 | pass |
| #12 | GPT-o3 | 35.46 | 0 | 78.8 | pass |
| #13 | GPT-5.5 | 32.15 | 7.4 | 62.4 | pass |
数据解读
今日主榜前三模型在代码执行与材料约束两项上的搭配呈现明显分化。GPT-6.1 Sol以代码执行100、材料约束69拿下主榜86.05，GPT-6 Astra同样代码执行100但材料约束仅63.3，主榜83.49；Claude Sonnet 4.6则代码执行72.4、材料约束79.8，主榜75.73。这种强代码执行搭配中等材料约束的组合，使前两名在主榜公式下占据明显优势，而材料约束相对更强的Claude Sonnet 4.6则在整体排名中位列第三。
多款模型较上一同口径run出现大幅回落。GPT-5.5主榜下降63分，代码执行下降92.6分，材料约束下降26.9分；豆包Pro主榜下降45.6分，代码执行下降68.6分，材料约束下降17.4分；GPT-o3主榜下降41.3分，代码执行下降70.5分；Gemini 3.1 Pro与Grok 4的主榜也分别下降38.4分与38.1分。这些变化可能源于题目抽样波动，也可能反映模型真实表现退化，由于Smoke测试为小样本单日信号，需后续run复核以确认稳定性。
其余模型如DeepSeek V4 Pro代码执行0、材料约束93.3，主榜41.99；GPT-o3代码执行0、材料约束78.8，主榜35.46，均体现材料约束主导的结构特点。整体而言，头部模型与异动模型的分数结构差异主要集中在代码执行与材料约束的平衡上，当前数据仅供当日参考。
主要变化
- GPT-5.5：主榜下降63分，代码执行-92.6分，材料约束-26.9分
- 豆包 Pro：主榜下降45.6分，代码执行-68.6分，材料约束-17.4分
- GPT-o3：主榜下降41.3分，代码执行-70.5分，材料约束-5.7分
- Gemini 3.1 Pro：主榜下降38.4分，代码执行-50分，材料约束-24.1分
- Grok 4：主榜下降38.1分，代码执行-52.7分，材料约束-20.2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 #396 | 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