根据2026-11-16至2026-11-22的Smoke评测数据,GPT-5.5从首日92.44分跌至末日54.16分,趋势下降38.3分,均值73.4分,波动38.3分。
核心下滑模型数据事实
GPT-5.5首日92.44分、末日54.16分、趋势-38.3、均值73.4、波动38.3;GPT-6 Sol首日92.44分、末日64.63分、趋势-27.8、均值76.6、波动27.8;GPT-6 Luna首日88.75分、末日67.13分、趋势-21.6、均值74.6、波动32.8;GPT-6 Astra首日78.69分、末日66.79分、趋势-11.9、均值75.1、波动26.3;GPT-6.1 Sol首日78.69分、末日70.88分、趋势-7.8、均值75.2、波动25.3;Claude Sonnet 4.6首日70.74分、末日61.56分、趋势-9.2、均值69.3、波动15.9;GLM-4.6首日51.19分、末日43.77分、趋势-7.4、均值53.1、波动28.2。
上升模型与波动对比
上升模型包括Grok 4首日81.99分、末日83.51分、趋势+1.5、均值72、波动34.8;GPT-o3首日68.46分、末日78.4分、趋势+9.9、均值71.2、波动20.5;Gemini 3.1 Pro首日53.69分、末日57.52分、趋势+3.8、均值60.3、波动19.1;DeepSeek V4 Pro首日51.19分、末日62.33分、趋势+11.1、均值58.3、波动42.2;Gemini 2.5 Pro首日42.69分、末日57.52分、趋势+14.8、均值59、波动44.8;豆包Pro首日40.82分、末日73.17分、趋势+32.4、均值71.7、波动52.2。Claude Opus 4.7首日82.43分、末日78.09分、趋势-4.3、均值79.1、波动19.8。Qwen3 Max首日0分、末日0分、趋势0、均值0、波动0。
成因分析:执行与材料约束维度
Smoke评测聚焦代码执行与材料约束两个主榜维度。GPT-5.5、GPT-6 Sol等模型首日高分后连续走低,最可能源于代码执行任务中一致性下降,材料约束得分波动直接拉低整体趋势。豆包Pro与DeepSeek V4 Pro趋势上升,但波动分别达52.2分与42.2分,说明其代码执行输出在不同日期差异显著,材料约束可能出现时而严格时而松散的情况。GLM-4.6诚信评级从pass转为warn,表明其回答中出现材料引用不一致的信号,直接影响工程判断侧榜可信度。
对使用者的含义
重代码执行的团队选择GPT-5.5时需注意其均值73.4分但波动38.3分,连续7天内分数起伏可能导致自动化脚本输出不稳定。对材料忠实度敏感的场景,GLM-4.6诚信评级warn后,开发者应增加人工校验环节,避免引用错误累积。豆包Pro均值71.7分虽接近GPT-6 Sol,但波动52.2分意味着依赖其生成长代码的开发者需准备多轮重试机制。
战略判断
GPT-5.5与GPT-6 Sol均值分别73.4分与76.6分,却呈现最大趋势下滑,信号显示其在当前Smoke快测下的执行一致性已低于Grok 4与GPT-o3。DeepSeek V4 Pro与豆包Pro趋势正向,但高波动值提示其稳定性维度得分较低,适合短期验证而非长期生产依赖。GLM-4.6诚信评级变化是本周唯一准入门槛信号,需下期继续追踪其pass/warn状态以判断是否恢复。
Claude Opus 4.7均值79.1分、波动19.8分,在下滑模型中降幅最小,表明其材料约束维度相对稳健。Gemini 2.5 Pro与豆包Pro末日同为57.52分与73.17分,但前者波动44.8分、后者52.2分,说明上升趋势伴随高不一致性,使用者应优先验证其代码执行单题得分标准差。
本周数据仅覆盖7天10题快测,Qwen3 Max持续0分显示其在Smoke评测中未产生有效执行输出。所有判断均来自首日与末日对比、均值与波动数值,未引入外部版本或行业事件。
数据来源:赢政指数 (YZ Index) | Run #438 | 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