GPT-6 Astra以91.14分居首:2026-11-18 Smoke快测数据简报

2026-11-18 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Astra 以 91.14 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 Astra91.1410080.3pass
#2GPT-6.1 Sol90.1510078.1pass
#3GPT-6 Luna83.917594.8pass
#4Grok 483.979.489.4pass
#5Gemini 2.5 Pro82.527591.7pass
#6DeepSeek V4 Pro81.487589.4pass
#7GPT-5.578.747583.3pass
#8GPT-6 Sol76.47578.1pass
#9Claude Opus 4.775.997083.3pass
#10GPT-o372.550100pass
#11豆包 Pro71.817567.9pass
#12GLM-4.671.515097.8pass
#13Claude Sonnet 4.664.3455.275.5pass
#14Gemini 3.1 Pro58.065067.9pass

主要变化

  • DeepSeek V4 Pro:主榜上升42.2分,代码执行+50分,材料约束+32.7分
  • Gemini 2.5 Pro:主榜上升40.2分,代码执行+46.4分,材料约束+32.6分
  • Grok 4:主榜上升34.8分,代码执行+28.6分,材料约束+42.4分
  • GLM-4.6:主榜上升28.2分,代码执行+25分,材料约束+32分
  • GPT-6 Astra:主榜上升25.5分,代码执行+25.2分,材料约束+25.9分

需要关注的信号

  • GPT-6 Luna:代码执行暴跌 -24.1 分
  • GPT-5.5:代码执行暴跌 -24.8 分
  • GPT-6 Sol:代码执行暴跌 -24.1 分
  • Claude Opus 4.7:代码执行暴跌 -22.7 分
  • GPT-o3:代码执行暴跌 -16.3 分
  • Claude Sonnet 4.6:代码执行暴跌 -28.6 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 #432 | 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!