Grok 4拿下83.51分登顶:2026-11-22 Smoke快测,多模型分数大幅波动
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。
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 |
|---|---|---|---|---|---|
| #1 | Grok 4 | 83.51 | 88.5 | 77.4 | pass |
| #2 | GPT-o3 | 78.4 | 71.6 | 86.7 | pass |
| #3 | Claude Opus 4.7 | 78.09 | 99.1 | 52.4 | pass |
| #4 | 豆包 Pro | 73.17 | 73.8 | 72.4 | pass |
| #5 | GPT-6.1 Sol | 70.88 | 74.3 | 66.7 | pass |
| #6 | GPT-6 Luna | 67.13 | 71.4 | 61.9 | pass |
| #7 | GPT-6 Astra | 66.79 | 74.3 | 57.6 | pass |
| #8 | GPT-6 Sol | 64.63 | 74.3 | 52.8 | pass |
| #9 | DeepSeek V4 Pro | 62.33 | 50 | 77.4 | pass |
| #10 | Claude Sonnet 4.6 | 61.56 | 48.6 | 77.4 | pass |
| #11 | Gemini 2.5 Pro | 57.52 | 50 | 66.7 | pass |
| #12 | Gemini 3.1 Pro | 57.52 | 50 | 66.7 | pass |
| #13 | GPT-5.5 | 54.16 | 49.3 | 60.1 | pass |
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。