2026-10-22 赢政指数 Smoke 快测覆盖 14 个模型，GPT-5.5 以 96.1 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 | 96.1 | 97 | 95 | pass |
| #2 | 豆包 Pro | 93.09 | 97 | 88.3 | pass |
| #3 | Gemini 2.5 Pro | 92.49 | 100 | 83.3 | pass |
| #4 | Gemini 3.1 Pro | 90.84 | 97 | 83.3 | pass |
| #5 | GPT-6 Luna | 90.84 | 97 | 83.3 | pass |
| #6 | GPT-6.1 Sol | 90.84 | 97 | 83.3 | pass |
| #7 | GPT-o3 | 90.84 | 97 | 83.3 | pass |
| #8 | Grok 4 | 90.84 | 97 | 83.3 | warn |
| #9 | GPT-6 Sol | 89.63 | 94.8 | 83.3 | pass |
| #10 | DeepSeek V4 Pro | 89.13 | 93.9 | 83.3 | pass |
| #11 | Claude Opus 4.7 | 82.35 | 72 | 95 | pass |
| #12 | GPT-6 Astra | 77.09 | 72 | 83.3 | pass |
| #13 | Claude Sonnet 4.6 | 64.13 | 68.9 | 58.3 | pass |
| #14 | GLM-4.6 | 25 | 25 | 25 | pass |
数据解读
今日赢政指数Smoke快测中，GPT-5.5以主榜96.1分位居首位，其代码执行97分与材料约束95分形成均衡搭配；豆包Pro主榜93.09分，代码执行同样达到97分但材料约束为88.3分；Gemini 2.5 Pro主榜92.49分，代码执行100分而材料约束83.3分。后续多款模型如Gemini 3.1 Pro、GPT-6 Luna、GPT-6.1 Sol、GPT-o3及Grok 4的主榜分数均落在90.84分区间，代码执行集中于97分，材料约束则为83.3分，显示出代码执行主导的结构特征。Claude Opus 4.7主榜82.35分呈现代码执行72分与材料约束95分的反向搭配。
与上一同口径run相比，GLM-4.6主榜出现-57.5分变化，代码执行-45分、材料约束-72.8分；GPT-6.1 Sol主榜+28.5分、代码执行+52.2分；GPT-o3主榜+24.6分、代码执行+47分；GPT-5.5主榜+17.6分、代码执行+27分、材料约束+6.1分；GPT-6 Luna主榜+17.5分、代码执行+32.2分。这些异动可能源于题目抽样波动，也可能是模型真实表现退化，需后续run复核确认。Gemini 3.1 Pro材料约束暴跌-16.7分、Claude Sonnet 4.6主榜暴跌-16.9分同样提示潜在异常，GLM-4.6的主榜暴跌-57.5分亦待进一步验证。
Smoke快测为小样本单日信号，Qwen3 Max因API故障导致数据不完整，本期未参与排名。整体观察显示头部模型在代码执行与材料约束的搭配上存在差异，异常分数变化需谨慎解读，避免过度推断。
主要变化
- GLM-4.6：主榜下降57.5分，代码执行-45分，材料约束-72.8分
- GPT-6.1 Sol：主榜上升28.5分，代码执行+52.2分
- GPT-o3：主榜上升24.6分，代码执行+47分
- GPT-5.5：主榜上升17.6分，代码执行+27分，材料约束+6.1分
- GPT-6 Luna：主榜上升17.5分，代码执行+32.2分
需要关注的信号
- Gemini 3.1 Pro：材料约束暴跌 -16.7 分
- Claude Sonnet 4.6：主榜暴跌 -16.9 分
- GLM-4.6：主榜暴跌 -57.5 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 #391
本文首发于赢政天下 ，获取更多深度技术内容与资源，欢迎访问官网。
