GPT-6 Luna以82.77分居首:2026-11-17 Smoke快测数据简报

2026-11-17 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Luna 以 82.77 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-6 Luna82.7799.162.8pass
#2GPT-5.581.5899.859.3pass
#3Claude Opus 4.778.0392.760.1pass
#4GPT-6.1 Sol76.499.847.8pass
#5GPT-6 Sol75.8499.147.4pass
#6Claude Sonnet 4.670.2683.853.7pass
#7GPT-6 Astra65.6274.854.4pass
#8GPT-o365.2766.364pass
#9豆包 Pro59.8359.660.1pass
#10Gemini 3.1 Pro56.2948.565.8pass
#11Grok 449.0950.847pass
#12GLM-4.643.362565.8pass
#13Gemini 2.5 Pro42.3328.659.1pass
#14DeepSeek V4 Pro39.272556.7pass

数据解读

从分数结构看,头部模型多呈现代码执行与材料约束的互补搭配。GPT-6 Luna以代码执行99.1、材料约束62.8取得主榜82.77,GPT-5.5则以代码执行99.8、材料约束59.3位列第二,Claude Opus 4.7代码执行92.7、材料约束60.1位列第三,此类搭配使整体得分保持领先。GPT-6.1 Sol代码执行99.8但材料约束47.8,GPT-6 Sol代码执行99.1、材料约束47.4,显示代码执行强势而材料约束相对偏弱的结构特征。

显著变化模型中,Grok 4主榜-32.9分、代码执行-25.2分、材料约束-42.3分,GPT-6 Sol主榜-16.6分、材料约束-41.9分,GPT-6 Astra主榜-13.1分、材料约束-34.9分,豆包 Pro主榜+19分、代码执行+38分,DeepSeek V4 Pro主榜-11.9分、材料约束-32.6分。这些单日波动可能源于题目抽样波动,也可能反映模型在特定约束下的真实表现差异,需后续同口径run复核确认。

Smoke作为小样本单日信号,当前数据仅提供当日观察,未见异常信号,解读保持克制以反映实际分数结构特点。

主要变化

  • Grok 4:主榜下降32.9分,代码执行-25.2分,材料约束-42.3分
  • 豆包 Pro:主榜上升19分,代码执行+38分
  • GPT-6 Sol:主榜下降16.6分,材料约束-41.9分
  • GPT-6 Astra:主榜下降13.1分,材料约束-34.9分
  • DeepSeek V4 Pro:主榜下降11.9分,代码执行+5分,材料约束-32.6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 #431 | 查看原始数据

本文来自 Winzheng Index 博客,赢政天下(winzheng.com)进行了全文翻译。 点击这里查看原文 如果转载中文,请注明出处,谢谢支持!