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 |
|---|---|---|---|---|---|
| #1 | GPT-6 Luna | 82.77 | 99.1 | 62.8 | pass |
| #2 | GPT-5.5 | 81.58 | 99.8 | 59.3 | pass |
| #3 | Claude Opus 4.7 | 78.03 | 92.7 | 60.1 | pass |
| #4 | GPT-6.1 Sol | 76.4 | 99.8 | 47.8 | pass |
| #5 | GPT-6 Sol | 75.84 | 99.1 | 47.4 | pass |
| #6 | Claude Sonnet 4.6 | 70.26 | 83.8 | 53.7 | pass |
| #7 | GPT-6 Astra | 65.62 | 74.8 | 54.4 | pass |
| #8 | GPT-o3 | 65.27 | 66.3 | 64 | pass |
| #9 | 豆包 Pro | 59.83 | 59.6 | 60.1 | pass |
| #10 | Gemini 3.1 Pro | 56.29 | 48.5 | 65.8 | pass |
| #11 | Grok 4 | 49.09 | 50.8 | 47 | pass |
| #12 | GLM-4.6 | 43.36 | 25 | 65.8 | pass |
| #13 | Gemini 2.5 Pro | 42.33 | 28.6 | 59.1 | pass |
| #14 | DeepSeek V4 Pro | 39.27 | 25 | 56.7 | pass |
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
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接