豆包 Pro以91.11分居首:2026-11-21 Smoke快测数据简报

2026-11-21 赢政指数 Smoke 快测覆盖 13 个模型,豆包 Pro 以 91.11 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豆包 Pro91.1198.881.7pass
#2Grok 480.5898.858.3pass
#3GPT-6 Luna80.1399.356.7pass
#4GPT-o377.6198.851.7pass
#5Gemini 3.1 Pro72.757570pass
#6Claude Opus 4.772.3774.370pass
#7GPT-6.1 Sol72.3774.370pass
#8Gemini 2.5 Pro69.747563.3pass
#9GPT-6 Astra69.3574.363.3pass
#10GPT-6 Sol69.3574.363.3pass
#11Claude Sonnet 4.669.0873.863.3pass
#12DeepSeek V4 Pro67.497558.3pass
#13GPT-5.555.6549.363.4pass

主要变化

  • GPT-6 Luna:主榜上升24.2分,代码执行+54.7分,材料约束-13.1分
  • Claude Opus 4.7:主榜下降19.8分,代码执行-20.2分,材料约束-19.3分
  • GPT-o3:主榜上升19.7分,代码执行+53.3分,材料约束-21.4分
  • GPT-6 Astra:主榜下降19.6分,代码执行-22.5分,材料约束-16分
  • Gemini 3.1 Pro:主榜上升17.7分,代码执行+45.5分,材料约束-16.3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 #437 | 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!