2026-10-29 赢政指数 Smoke 快测覆盖 14 个模型，Claude Sonnet 4.6 与 GPT-6 Astra 与 GPT-6 Sol 与 GPT-6.1 Sol 以 87.36 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 Sonnet 4.6 | 87.36 | 100 | 71.9 | pass |
| #2 | GPT-6 Astra | 87.36 | 100 | 71.9 | pass |
| #3 | GPT-6 Sol | 87.36 | 100 | 71.9 | pass |
| #4 | GPT-6.1 Sol | 87.36 | 100 | 71.9 | pass |
| #5 | 豆包 Pro | 85.11 | 100 | 66.9 | pass |
| #6 | GPT-o3 | 78.42 | 75 | 82.6 | pass |
| #7 | Gemini 3.1 Pro | 77.46 | 82 | 71.9 | pass |
| #8 | Claude Opus 4.7 | 73.61 | 75 | 71.9 | pass |
| #9 | DeepSeek V4 Pro | 73.61 | 75 | 71.9 | pass |
| #10 | Gemini 2.5 Pro | 71.3 | 70.8 | 71.9 | pass |
| #11 | Grok 4 | 71.19 | 82.3 | 57.6 | pass |
| #12 | GPT-5.5 | 70.59 | 75 | 65.2 | pass |
| #13 | GPT-6 Luna | 67.17 | 75 | 57.6 | pass |
| #14 | GLM-4.6 | 59.86 | 50 | 71.9 | 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特征。Claude Sonnet 4.6、GPT-6 Astra、GPT-6 Sol与GPT-6.1 Sol四者主榜均为87.36，代码执行均为100，材料约束均为71.9，这种高代码执行搭配中等材料约束的结构使其位居前列。豆包Pro主榜85.11，代码执行100，材料约束66.9，同样依赖代码执行优势。相比之下，GPT-o3主榜78.42，代码执行75，材料约束82.6，展现材料约束更强的搭配；Gemini 3.1 Pro主榜77.46，代码执行82，材料约束71.9，两种维度相对均衡。
与上一同口径run相比，部分模型出现显著变化。Gemini 3.1 Pro主榜上升31.8分，代码执行上升57分；DeepSeek V4 Pro主榜上升27.9分，代码执行上升50分；Claude Sonnet 4.6主榜上升20.7分，代码执行上升25.2分，材料约束上升15.2分；Gemini 2.5 Pro主榜上升14.9分，代码执行上升20.8分，材料约束上升7.6分。这些变动集中在代码执行维度，反映单日测试中该维度的波动对主榜的影响。
异常信号方面，Grok 4材料约束暴跌17.4分，GPT-6 Luna主榜暴跌19.8分，代码执行暴跌25分，材料约束暴跌13.4分。Qwen3 Max因数据不完整未参与排名。上述变化可能源于题目抽样波动，也可能反映真实退化，需后续run复核确认。Smoke快测为小样本单日信号，以上观察仅供参考。
主要变化
- Gemini 3.1 Pro：主榜上升31.8分，代码执行+57分
- DeepSeek V4 Pro：主榜上升27.9分，代码执行+50分
- Claude Sonnet 4.6：主榜上升20.7分，代码执行+25.2分，材料约束+15.2分
- GPT-6 Luna：主榜下降19.8分，代码执行-25分，材料约束-13.4分
- Gemini 2.5 Pro：主榜上升14.9分，代码执行+20.8分，材料约束+7.6分
需要关注的信号
- Grok 4：材料约束暴跌 -17.4 分
- GPT-6 Luna：主榜暴跌 -19.8 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 #401 | 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