2026-11-23 赢政指数 Smoke 快测覆盖 14 个模型,Claude Opus 4.7 以 78.72 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 Opus 4.7 | 78.72 | 96 | 57.6 | pass |
| #2 | GPT-6.1 Sol | 78.29 | 99.3 | 52.6 | pass |
| #3 | Claude Sonnet 4.6 | 77.9 | 98.6 | 52.6 | pass |
| #4 | GPT-6 Sol | 75.27 | 99.3 | 45.9 | pass |
| #5 | GPT-5.5 | 66.79 | 74.3 | 57.6 | pass |
| #6 | Grok 4 | 66.35 | 77.6 | 52.6 | warn |
| #7 | GPT-6 Astra | 64.54 | 74.3 | 52.6 | pass |
| #8 | GPT-6 Luna | 64.27 | 96.4 | 25 | pass |
| #9 | 豆包 Pro | 62.01 | 73.8 | 47.6 | pass |
| #10 | GPT-o3 | 58.28 | 73.8 | 39.3 | pass |
| #11 | DeepSeek V4 Pro | 56.44 | 50 | 64.3 | pass |
| #12 | GLM-4.6 | 56.44 | 50 | 64.3 | warn |
| #13 | Gemini 3.1 Pro | 51.17 | 50 | 52.6 | pass |
| #14 | Gemini 2.5 Pro | 48.16 | 50 | 45.9 | 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分化。Claude Opus 4.7以主榜78.72位居首位,其代码执行96、材料约束57.6;GPT-6.1 Sol主榜78.29,代码执行99.3、材料约束52.6;Claude Sonnet 4.6主榜77.9,代码执行98.6、材料约束52.6。这些模型代码执行分数普遍高于材料约束,形成强代码执行搭配中等材料约束的结构。GPT-6 Sol主榜75.27,代码执行99.3、材料约束45.9,同样体现这一搭配特点。
与上一同口径run相比,部分模型出现显著分数变化。Claude Sonnet 4.6主榜上升16.3分,代码执行上升50分、材料约束下降24.8分;GPT-5.5主榜上升12.6分,代码执行上升25分;GLM-4.6主榜上升12.7分,代码执行上升25分。GPT-o3主榜下降20.1分,材料约束下降47.4分;Grok 4主榜下降17.2分,代码执行下降10.9分、材料约束下降24.8分,诚信从pass转为warn;GPT-6 Luna材料约束下降36.9分;豆包Pro主榜下降11.2分;Gemini 2.5 Pro主榜下降9.4分。
异常信号包括Claude Sonnet 4.6材料约束暴跌、Grok 4主榜暴跌、GPT-6 Luna材料约束暴跌、豆包Pro主榜暴跌、GPT-o3主榜暴跌以及Gemini 2.5 Pro主榜暴跌。这些变化可能源于题目抽样波动,也可能是真实退化所致,需后续run复核确认。Smoke作为小样本单日信号,当前数据仅供参考,不构成长期判断依据。
主要变化
- GPT-o3:主榜下降20.1分,材料约束-47.4分
- Grok 4:主榜下降17.2分,代码执行-10.9分,材料约束-24.8分,诚信pass→warn
- Claude Sonnet 4.6:主榜上升16.3分,代码执行+50分,材料约束-24.8分
- GLM-4.6:主榜上升12.7分,代码执行+25分
- GPT-5.5:主榜上升12.6分,代码执行+25分
需要关注的信号
- Claude Sonnet 4.6:材料约束暴跌 -24.8 分
- Grok 4:主榜暴跌 -17.2 分
- GPT-6 Luna:材料约束暴跌 -36.9 分
- 豆包 Pro:主榜暴跌 -11.2 分
- GPT-o3:主榜暴跌 -20.1 分
- Gemini 2.5 Pro:主榜暴跌 -9.4 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 #439 | 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