尧图网页设计 
2026-09-03 赢政指数 Smoke 快测覆盖 11 个模型GPT-o3 以 83.94 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#1GPT-o383.9410064.3pass#2豆包 Pro79.1210053.6pass#3GPT-5.579.1210053.6pass#4Claude Sonnet 4.666.097555.2pass#5Gemini 3.1 Pro65.8483.344.5pass#6Grok 4627546.1pass#7Claude Opus 4.758.947539.3pass#8Qwen3 Max56.096051.3pass#9GLM-4.648.255046.1fail#10Gemini 2.5 Pro47.535044.5pass#11DeepSeek V4 Pro45.195039.3pass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-o3以代码执行100、材料约束64.3取得主榜83.94豆包Pro与GPT-5.5则同为代码执行100、材料约束53.6主榜均为79.12。Claude Sonnet 4.6代码执行75、材料约束55.2主榜66.09Gemini 3.1 Pro代码执行83.3、材料约束44.5主榜65.84。这些模型中代码执行满分的组合在主榜公式0.55×代码执行0.45×材料约束下占据前位而材料约束得分相对较低的模型则依赖代码执行拉高整体。多款模型较上一同口径run出现显著回落。Gemini 2.5 Pro主榜下降40.9分代码执行下降50分材料约束下降29.7分Grok 4主榜下降26.4分代码执行下降25分材料约束下降28.1分Claude Sonnet 4.6主榜下降22.3分代码执行下降25分材料约束下降19分DeepSeek V4 Pro与Gemini 3.1 Pro也分别出现主榜22.3分与21.8分的下滑对应代码执行与材料约束的双项回落。本次Smoke快测为小样本单日信号上述变化可能源于题目抽样波动也存在真实退化的可能需后续run复核以确认稳定性。诚信fail的GLM-4.6主榜48.25其代码执行50、材料约束46.1的结构在榜单中位居中游未对整体排序产生额外影响。主要变化Gemini 2.5 Pro主榜下降40.9分代码执行-50分材料约束-29.7分Grok 4主榜下降26.4分代码执行-25分材料约束-28.1分Claude Sonnet 4.6主榜下降22.3分代码执行-25分材料约束-19分DeepSeek V4 Pro主榜下降22.3分代码执行-25分材料约束-19分Gemini 3.1 Pro主榜下降21.8分代码执行-16.7分材料约束-28.1分需要关注的信号GLM-4.6今日诚信评级为 fail基于当日 Smoke 数据。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 #307本文首发于赢政天下 (https://www.winzheng.com/review/yz-smoke-brief-20260903-run-307)获取更多深度技术内容与资源欢迎访问官网。 GPT-o3以83.94分居首：2026-09-03 Smoke快测数据简报
2026-09-03 赢政指数 Smoke 快测覆盖 11 个模型GPT-o3 以 83.94 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#1GPT-o383.9410064.3pass#2豆包 Pro79.1210053.6pass#3GPT-5.579.1210053.6pass#4Claude Sonnet 4.666.097555.2pass#5Gemini 3.1 Pro65.8483.344.5pass#6Grok 4627546.1pass#7Claude Opus 4.758.947539.3pass#8Qwen3 Max56.096051.3pass#9GLM-4.648.255046.1fail#10Gemini 2.5 Pro47.535044.5pass#11DeepSeek V4 Pro45.195039.3pass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-o3以代码执行100、材料约束64.3取得主榜83.94豆包Pro与GPT-5.5则同为代码执行100、材料约束53.6主榜均为79.12。Claude Sonnet 4.6代码执行75、材料约束55.2主榜66.09Gemini 3.1 Pro代码执行83.3、材料约束44.5主榜65.84。这些模型中代码执行满分的组合在主榜公式0.55×代码执行0.45×材料约束下占据前位而材料约束得分相对较低的模型则依赖代码执行拉高整体。多款模型较上一同口径run出现显著回落。Gemini 2.5 Pro主榜下降40.9分代码执行下降50分材料约束下降29.7分Grok 4主榜下降26.4分代码执行下降25分材料约束下降28.1分Claude Sonnet 4.6主榜下降22.3分代码执行下降25分材料约束下降19分DeepSeek V4 Pro与Gemini 3.1 Pro也分别出现主榜22.3分与21.8分的下滑对应代码执行与材料约束的双项回落。本次Smoke快测为小样本单日信号上述变化可能源于题目抽样波动也存在真实退化的可能需后续run复核以确认稳定性。诚信fail的GLM-4.6主榜48.25其代码执行50、材料约束46.1的结构在榜单中位居中游未对整体排序产生额外影响。主要变化Gemini 2.5 Pro主榜下降40.9分代码执行-50分材料约束-29.7分Grok 4主榜下降26.4分代码执行-25分材料约束-28.1分Claude Sonnet 4.6主榜下降22.3分代码执行-25分材料约束-19分DeepSeek V4 Pro主榜下降22.3分代码执行-25分材料约束-19分Gemini 3.1 Pro主榜下降21.8分代码执行-16.7分材料约束-28.1分需要关注的信号GLM-4.6今日诚信评级为 fail基于当日 Smoke 数据。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 #307本文首发于赢政天下 (https://www.winzheng.com/review/yz-smoke-brief-20260903-run-307)获取更多深度技术内容与资源欢迎访问官网。