2026-11-04 赢政指数 Smoke 快测覆盖 12 个模型，GPT-5.5 以 94.8 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 | GPT-5.5 | 94.8 | 99.3 | 89.3 | pass |
| #2 | Claude Opus 4.7 | 93.46 | 88.1 | 100 | pass |
| #3 | GPT-o3 | 92.59 | 96.1 | 88.3 | pass |
| #4 | GPT-6 Sol | 89.43 | 99.1 | 77.6 | pass |
| #5 | GPT-6 Astra | 88.05 | 96.6 | 77.6 | pass |
| #6 | GPT-6.1 Sol | 88.05 | 96.6 | 77.6 | pass |
| #7 | GPT-6 Luna | 75.79 | 74.3 | 77.6 | warn |
| #8 | Claude Sonnet 4.6 | 73.76 | 78.8 | 67.6 | warn |
| #9 | Grok 4 | 66.11 | 56.7 | 77.6 | pass |
| #10 | 豆包 Pro | 56.73 | 60.1 | 52.6 | pass |
| #11 | Gemini 3.1 Pro | 40.61 | 30.8 | 52.6 | pass |
| #12 | Gemini 2.5 Pro | 23.67 | 0 | 52.6 | 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。GPT-5.5以代码执行99.3、材料约束89.3拿下主榜94.8，Claude Opus 4.7则依靠材料约束100、代码执行88.1获得主榜93.46，GPT-o3代码执行96.1、材料约束88.3对应主榜92.59，三者均诚信pass。这种强代码执行与高材料约束的互补组合，使其在主榜公式下占据前位。
多模型出现显著异动。Gemini 2.5 Pro主榜下滑40分、代码执行降70.8分，Gemini 3.1 Pro主榜下滑33.7分、代码执行降66.1分，GPT-o3主榜上升17.8分、材料约束上升37.5分，Claude Opus 4.7主榜上升17.5分、代码执行上升18.1分。GPT-6 Luna主榜暴跌11.5分，Claude Sonnet 4.6主榜暴跌11.1分，豆包Pro主榜暴跌13.2分，这些变化可能源于题目抽样波动，也可能是单日真实表现退化，需后续run复核确认。
Smoke快测为小样本单日信号，异常模型如Gemini系列与GPT-6 Luna的波动幅度较大，当前数据仅反映当日状态，未见长期趋势。DeepSeek V4 Pro、GLM-4.6、Qwen3 Max因API故障数据不完整，已进入自动补跑，本期不参与排名。
主要变化
- Gemini 2.5 Pro：主榜下降40分，代码执行-70.8分
- Gemini 3.1 Pro：主榜下降33.7分，代码执行-66.1分，材料约束+5.9分
- GPT-o3：主榜上升17.8分，材料约束+37.5分
- Claude Opus 4.7：主榜上升17.5分，代码执行+18.1分，材料约束+16.7分
- 豆包 Pro：主榜下降13.2分，代码执行-28.8分，材料约束+5.9分
需要关注的信号
- GPT-6 Luna：主榜暴跌 -11.5 分
- Claude Sonnet 4.6：主榜暴跌 -11.1 分
- 豆包 Pro：主榜暴跌 -13.2 分
- Gemini 3.1 Pro：主榜暴跌 -33.7 分
- Gemini 2.5 Pro：主榜暴跌 -40 分
- DeepSeek V4 Pro：数据不完整（缺 execution 维度，API 故障/超时），已进入自动补跑，本期不参与排名
- GLM-4.6：数据不完整（缺 execution,communication 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 #410 | 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