Grok 4 Smoke快测96.65分登顶：日榜信号≠长期能力
2026-10-25 赢政指数 Smoke 快测覆盖 14 个模型，Grok 4 以 96.65 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。
2026-10-25，赢政指数 Smoke 快测覆盖了 14 个模型，
Grok 4 以 96.65 分排在当日第一。Smoke 是每天 10 道题的快测，用来观察短期信号，不能等同于 Full 周榜的结论。这次评测只涉及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。每日样本量偏小，所以单日分数更适合当作监控信号，而不是对模型能力下长期定论。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | Grok 4 | 96.65 | 93.9 | 100 | pass |
| #2 | GPT-5.5 | 95.19 | 100 | 89.3 | pass |
| #3 | GPT-6 Luna | 94.09 | 98 | 89.3 | pass |
| #4 | 豆包 Pro | 93.48 | 96.9 | 89.3 | pass |
| #5 | GPT-6 Sol | 88.68 | 92.5 | 84 | pass |
| #6 | GPT-6 Astra | 85.44 | 94.8 | 74 | pass |
| #7 | Claude Opus 4.7 | 81.44 | 75 | 89.3 | pass |
| #8 | Gemini 3.1 Pro | 81.44 | 75 | 89.3 | pass |
| #9 | GPT-6.1 Sol | 79.82 | 94.8 | 61.5 | pass |
| #10 | GPT-o3 | 76.8 | 70.5 | 84.5 | pass |
| #11 | Claude Sonnet 4.6 | 72.5 | 50 | 100 | pass |
| #12 | Gemini 2.5 Pro | 71.29 | 47.8 | 100 | pass |
| #13 | DeepSeek V4 Pro | 67.69 | 50 | 89.3 | pass |
| #14 | GLM-4.6 | 31.44 | 25 | 39.3 | pass |
数据解读
在当天的快测里，头部模型在代码执行与材料约束的搭配上分化明显。Grok 4 的主榜分数是 96.65，排在第一，代码执行 93.9、材料约束 100；GPT-5.5 主榜 95.19，代码执行 100、材料约束 89.3；GPT-6 Luna 主榜 94.09，代码执行 98、材料约束 89.3。这三款都通过了诚信检验。高代码执行搭配高材料约束，在当日的小样本里形成了领先优势。
另一些模型则是单一维度突出、整体受限。Claude Sonnet 4.6 主榜 72.5，代码执行 50、材料约束 100；Gemini 2.5 Pro 主榜 71.29，代码执行 47.8、材料约束 100；GLM-4.6 主榜 31.44，代码执行 25、材料约束 39.3。按主榜公式算下来，这类搭配得分相对靠后，也反映出当日测试中材料约束高、代码执行偏低的结构特征。
Qwen3 Max 因为 API 故障，数据不完整，缺了 execution、grounding 等维度，本期没有参与排名。这个信号可能来自题目抽样的波动，也可能是临时接口问题，是否为真实退化，还得靠后续 run 复核确认。Smoke 快测是单日小样本信号，上面的观察只供当天参考。
主要变化
- 这次没有同口径的历史 run 可以对比，只展示当日数据。
需要关注的信号
- 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
看这类 Smoke 简报，重点放在两个问题上：某个模型是否连续多日暴露同一类弱点；诚信评级有没有从 pass 变成 warn 或 fail。单日执行或约束分数大幅变化，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。
