2026-09-29 赢政指数 Smoke 快测覆盖 10 个模型Claude Opus 4.7 与 GPT-5.5 以 80.2 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#1Claude Opus 4.780.210056pass#2GPT-5.580.210056pass#3豆包 Pro76.2596.951warn#4Qwen3 Max75.9192.256warn#5GPT-o373.7893.849.3warn#6Grok 469.9894.540pass#7Claude Sonnet 4.666.38741pass#8Gemini 3.1 Pro54.955061pass#9DeepSeek V4 Pro45.72571warn#10Gemini 2.5 Pro41.22561pass数据解读今日主榜前两名Claude Opus 4.7与GPT-5.5均取得主榜80.2其中代码执行均为100、材料约束均为56显示两者在代码执行与材料约束的搭配上形成均衡高位。豆包Pro主榜76.25代码执行96.9、材料约束51Qwen3 Max主榜75.91则以代码执行92.2搭配材料约束56头部模型整体呈现代码执行偏强、材料约束中等的结构特征。Gemini 3.1 Pro主榜54.95代码执行50、材料约束61DeepSeek V4 Pro主榜45.7则代码执行25、材料约束71体现材料约束相对更强的不同搭配。Claude Sonnet 4.6主榜较上一同口径run下降25.5分代码执行下降13分、材料约束下降40.8分DeepSeek V4 Pro主榜下降25.2分代码执行下降50分、材料约束上升5.1分Gemini 2.5 Pro主榜下降22.9分代码执行下降45分Grok 4主榜下降21.8分代码执行下降5.5分、材料约束下降41.8分Qwen3 Max主榜下降15.9分材料约束下降34.9分。这些分数变化可能源于题目抽样波动也可能反映单日真实表现差异需后续run复核确认。Smoke作为小样本单日信号上述解读仅针对今日数据结构不做长期判断。主要变化Claude Sonnet 4.6主榜下降25.5分代码执行-13分材料约束-40.8分DeepSeek V4 Pro主榜下降25.2分代码执行-50分材料约束5.1分Gemini 2.5 Pro主榜下降22.9分代码执行-45分Grok 4主榜下降21.8分代码执行-5.5分材料约束-41.8分Qwen3 Max主榜下降15.9分材料约束-34.9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 #344本文首发于赢政天下 (https://www.winzheng.com/review/yz-smoke-brief-20260929-run-344)获取更多深度技术内容与资源欢迎访问官网。
2026-09-29 赢政指数 Smoke 快测覆盖 10 个模型Claude Opus 4.7 与 GPT-5.5 以 80.2 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#1Claude Opus 4.780.210056pass#2GPT-5.580.210056pass#3豆包 Pro76.2596.951warn#4Qwen3 Max75.9192.256warn#5GPT-o373.7893.849.3warn#6Grok 469.9894.540pass#7Claude Sonnet 4.666.38741pass#8Gemini 3.1 Pro54.955061pass#9DeepSeek V4 Pro45.72571warn#10Gemini 2.5 Pro41.22561pass数据解读今日主榜前两名Claude Opus 4.7与GPT-5.5均取得主榜80.2其中代码执行均为100、材料约束均为56显示两者在代码执行与材料约束的搭配上形成均衡高位。豆包Pro主榜76.25代码执行96.9、材料约束51Qwen3 Max主榜75.91则以代码执行92.2搭配材料约束56头部模型整体呈现代码执行偏强、材料约束中等的结构特征。Gemini 3.1 Pro主榜54.95代码执行50、材料约束61DeepSeek V4 Pro主榜45.7则代码执行25、材料约束71体现材料约束相对更强的不同搭配。Claude Sonnet 4.6主榜较上一同口径run下降25.5分代码执行下降13分、材料约束下降40.8分DeepSeek V4 Pro主榜下降25.2分代码执行下降50分、材料约束上升5.1分Gemini 2.5 Pro主榜下降22.9分代码执行下降45分Grok 4主榜下降21.8分代码执行下降5.5分、材料约束下降41.8分Qwen3 Max主榜下降15.9分材料约束下降34.9分。这些分数变化可能源于题目抽样波动也可能反映单日真实表现差异需后续run复核确认。Smoke作为小样本单日信号上述解读仅针对今日数据结构不做长期判断。主要变化Claude Sonnet 4.6主榜下降25.5分代码执行-13分材料约束-40.8分DeepSeek V4 Pro主榜下降25.2分代码执行-50分材料约束5.1分Gemini 2.5 Pro主榜下降22.9分代码执行-45分Grok 4主榜下降21.8分代码执行-5.5分材料约束-41.8分Qwen3 Max主榜下降15.9分材料约束-34.9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 #344本文首发于赢政天下 (https://www.winzheng.com/review/yz-smoke-brief-20260929-run-344)获取更多深度技术内容与资源欢迎访问官网。
