Grok 4拿下83.51分登顶:2026-11-22 Smoke快测,多模型分数大幅波动

资讯 AI 科技快讯 作者:赢政天下 全文 1975 字 · 约 5 分钟读完 配图 1 张 分类GrokxAI

2026-11-22 赢政指数 Smoke 快测覆盖 13 个模型,Grok 4 以 83.51 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。

所属频道 大厂动态

2026-11-22 的赢政指数 Smoke 快测一共测了 13 个模型,当日第一是 Grok 4,83.51 分。Smoke 属于每天 10 题的快测,用来盯短期信号可以,不能当成 Full 周榜的结论。

这轮 Smoke 只跑了代码执行和材料约束两个主榜维度,主榜算法是 0.55 × 代码执行 + 0.45 × 材料约束。每天样本量不大,单日分数拿来做监控信号更合适,别拿它给模型能力下长期定论。

当日排名

排名模型主榜代码执行材料约束诚信
#1Grok 483.5188.577.4pass
#2GPT-o378.471.686.7pass
#3Claude Opus 4.778.0999.152.4pass
#4豆包 Pro73.1773.872.4pass
#5GPT-6.1 Sol70.8874.366.7pass
#6GPT-6 Luna67.1371.461.9pass
#7GPT-6 Astra66.7974.357.6pass
#8GPT-6 Sol64.6374.352.8pass
#9DeepSeek V4 Pro62.335077.4pass
#10Claude Sonnet 4.661.5648.677.4pass
#11Gemini 2.5 Pro57.525066.7pass
#12Gemini 3.1 Pro57.525066.7pass
#13GPT-5.554.1649.360.1pass

数据解读

当天主榜前三名,两项能力的搭配各不一样。Grok 4 代码执行 88.5、材料约束 77.4,主榜 83.51,两边比较均衡;GPT-o3 代码执行 71.6、材料约束 86.7,主榜 78.4,材料约束更占优;Claude Opus 4.7 代码执行 99.1、材料约束 52.4,主榜 78.09,代码执行很亮眼,材料约束却偏低。豆包 Pro 主榜 73.17,代码执行 73.8、材料约束 72.4,搭配也算均衡。

不少模型出现了明显的分数异动。GPT-o3 代码执行暴跌 -27.2 分;Claude Opus 4.7 材料约束暴跌 -17.6 分;豆包 Pro 主榜暴跌 -17.9 分、代码执行 -25 分;GPT-6 Luna 主榜暴跌 -13 分、代码执行 -27.9 分;DeepSeek V4 Pro 代码执行暴跌 -25 分;Claude Sonnet 4.6 代码执行暴跌 -25.2 分;Gemini 2.5 Pro 主榜暴跌 -12.2 分、代码执行 -25 分;Gemini 3.1 Pro 主榜暴跌 -15.2 分。这些变化可能是题目抽样波动带来的,也可能是真的退化了,得靠后续 run 复核确认。GLM-4.6 和 Qwen3 Max 因为 API 故障,数据不完整,本期没有参与排名。

Smoke 快测是小样本的单日信号,上面这些观察只反映当天的数据表现,不做长期推断。

主要变化

  • 豆包 Pro:主榜下降 17.9 分,代码执行 -25 分,材料约束 -9.3 分
  • Gemini 3.1 Pro:主榜下降 15.2 分,代码执行 -25 分
  • GPT-6 Luna:主榜下降 13 分,代码执行 -27.9 分,材料约束 +5.2 分
  • Gemini 2.5 Pro:主榜下降 12.2 分,代码执行 -25 分
  • Claude Sonnet 4.6:主榜下降 7.5 分,代码执行 -25.2 分,材料约束 +14.1 分

需要关注的信号

  • GPT-o3:代码执行暴跌 -27.2 分
  • Claude Opus 4.7:材料约束暴跌 -17.6 分
  • 豆包 Pro:主榜暴跌 -17.9 分
  • GPT-6 Luna:主榜暴跌 -13 分
  • DeepSeek V4 Pro:代码执行暴跌 -25 分
  • Claude Sonnet 4.6:代码执行暴跌 -25.2 分
  • Gemini 2.5 Pro:主榜暴跌 -12.2 分
  • Gemini 3.1 Pro:主榜暴跌 -15.2 分
  • GLM-4.6:数据不完整(缺 integrity,communication 维度,API 故障/超时),已进入自动补跑,本期不参与排名
  • 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

翻这类 Smoke 简报,关键盯两件事:同一类弱点是不是连续几天都出在某个模型身上;诚信评级有没有从 pass 滑到 warn 或 fail。单日执行分数或约束分数的明显波动,既可能是题目抽样造成的,也可能是真实退化的早期信号,得靠后面的 run 再核一遍。


本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. GPT-5.5末日54.16分:Smoke评测均值73.4波动38.3

    2026-11-16至2026-11-22 Smoke数据中,GPT-5.5趋势-38.3、GPT-6 Sol趋势-27.8等多模型下滑,豆包Pro趋势+32.4却波动52.2,DeepSeek V4 Pro波动42.2,GLM-4.6诚信评级从pass转为warn,揭示执行与材料约束维度下的稳定性分化。

    来源 AI 科技快讯
  2. Claude称证出黎曼猜想:25万页证明未公开,陶哲轩回应待验证

    智东西11月21日报道,昨夜,Anthropic数学家莱文特·阿尔珀格(Levent Alpöge)在个人网站上发布声明,宣称自己与Claude合作,找到了黎曼猜想及其更强版本——广义黎曼猜想(GRH)的证明方法。 ▲阿尔珀格发布的声明(图源:其个人主页) 这项困扰数学界167年的难题,可能迎来重大突破。 2006年菲

    来源 AI 行业观察
  3. 亚马逊封堵AI购物助手,马斯克放话:也许该做个对手

    AI刚学会替你干活,亚马逊、摩根大通、嘉信理财就开始堵门了! 10月18日,@trikcode在X上列出了一份「AI碰壁清单」,点名达美航空、摩根大通、嘉信理财、Yelp和亚马逊。 他吐槽: 那些本该替我们搞定一切的AI智能体,开始被互联网挡在门外。 人愿意买,AI愿意跑腿,但最后一公里却卡在了平台不肯放行上! 而亚马

    来源 AI 行业观察
  4. OpenAI开放GPT-Live-1.1 API:实时双向对话,智能体边聊边干活

    OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。 据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交互能力,可以

    来源 AI 开发者社区
  5. Signal限制截屏对抗AI监控,加密通讯迎来新防线

    加密通讯应用Signal宣布在Android与iOS版本中限制用户截屏功能,以应对AI驱动的监控浪潮。这一被官方称为“生存威胁”的举措,标志着隐私工具与人工智能监控之间的对抗进入新阶段。本文梳理Signal的调整细节、AI监控产业背景,以及隐私与可用性之间的长期博弈。

    来源 AI 科技快讯
  6. Claude称证出黎曼猜想,陶哲轩等数学家回应

    智东西11月21日报道,昨夜,Anthropic数学家莱文特·阿尔珀格(Levent Alpöge)在个人网站上发布声明,宣称自己与Claude合作,找到了黎曼猜想及其更强版本——广义黎曼猜想(GRH)的证…

    来源 搜狐科技
  7. 韩歆毅:AI已走进临床多个环节,可成连接医患的可靠纽带

    IT之家 11 月 22 日消息,据新浪科技今天报道,蚂蚁集团 CEO 韩歆毅今日在 2026 蚂蚁阿福医疗健康生态大会表示,AI 这几年已经走到了临床的很多环节。 韩歆毅表示:“我们看到从门诊到病房,从随访到科研,其实需要思考一个根本的命题,当 AI 走进了医院,走进了患者的日常生活,到底应该怎样服务医学、服务医生、

    来源 AI 行业观察
  8. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  9. 国产算力的含金量,曙光8000用世界级奖项作答!

    当地时间11月19日,2026年国际超级计算大会的颁奖环节,为这个问题提供了一份来自中国的样本:依托全国产十万卡AI超集群曙光8000开展的两项科研应用,一项摘得ACM戈登·贝尔奖,另一项成功入围戈登·贝尔气候建模奖决赛。这套国产算力,已经被真正的科研团队用起来了,而且用到了世界级的水准。曙光8000是全程支撑项目研发

    来源 TechWeb
  10. 曙光8000连获国际大奖:国产算力从建成走向用好的样本

    当地时间11月19日,2026年国际超级计算大会的颁奖环节,为这个问题提供了一份来自中国的样本:依托全国产十万卡AI超集群曙光8000开展的两项科研应用,一项摘得ACM戈登·贝尔奖,另一项成功入围戈登·贝尔气候建模奖决赛。这套国产算力,已经被真正的科研团队用起来了,而且用到了世界级的水准。曙光8000是全程支撑项目研发

    来源 TechWeb
  11. Anthropic上市造富:25位华人员工赶上1.5万亿美元估值

    AI界的造富故事,正在从创始人为主的一端向内部员工扩散。Anthropic的上市,恰好将这种变化推到了聚光灯下。 11月19日,Claude大模型背后的Anthropic正式登陆纳斯达克。公司IPO发行价为每股83美元,公开发行规模高达813.4亿美元,加上260亿美元的同步私募配售,整体交易规模超过1073亿美元,公

    来源 AI 行业观察
  12. 曙光8000:国产十万卡集群如何拿下SC26大奖?

    【TechWeb】11月22日消息,过去两年,国内新建的大规模智算中心、超算中心不在少数,于是,产业界开始追问一个更实际的问题:一套大规模算力基础设施建成投用之后,究竟该用什么来衡量它的价值?机柜数量、峰值算力和理论峰值性能固然是硬指标,但它们只回答“建成了什么”,并不能回答“用出了什么”。 当地时间11月19日,20

    来源 AI 行业观察
  13. AI数据中心排放飙升,Meta重审2030净零目标

    Meta正在重新评估2030年可持续发展目标,背景是AI数据中心扩张导致排放创纪录。本文梳理算力竞赛如何推高电力与碳成本,分析Meta调整的可能路径,并探讨微软、谷歌、亚马逊等科技巨头是否会跟进,以及净零承诺在AI时代面临的透明度与执行挑战。

    来源 AI 科技快讯
  14. DeepSeek百亿融资后算力短缺 科创板IPO前夜服务限流凸显张力

    DeepSeek于2026年11月17日完成第二轮约1000亿元人民币外部融资,业务登记变更显示新投资者合伙企业持股约17.3%。此前首轮融资50亿元,投后估值3500亿元。公司正筹备上海科创板IPO,但同期因算力不足启动对话配额限制,并发生近五小时服务中断。报道还原融资事实,拆解资本注入与资源瓶颈并存的机制

    来源 AI 科技快讯
向下滚动自动加载更多