Claude Opus 4.7登顶Smoke快测：94.91分，GPT-6 Astra紧随其后
2026-11-13 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 以 94.91 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。
2026-11-13 的赢政指数 Smoke 快测共纳入 13 个模型，当日头名是 
Claude Opus 4.7，得分 94.91。Smoke 每天出 10 道题，属于快测，用来捕捉短期信号可以，但不能拿它当 Full 周榜的结论。
这一轮 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。每日样本量偏小，所以单日分数更像个监控信号，不宜据此对模型能力下定论。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | Claude  Opus 4.7 |
94.91 | 99.5 | 89.3 | pass |
| #2 | GPT-6 Astra | 92.33 | 94.8 | 89.3 | pass |
| #3 | Claude Sonnet 4.6 | 82.31 | 99.5 | 61.3 | pass |
| #4 | GPT-5.5 | 81.55 | 100 | 59 | pass |
| #5 | GPT-o3 | 79.78 | 94.9 | 61.3 | pass |
| #6 | GPT-6.1 Sol | 78.69 | 94.8 | 59 | pass |
| #7 | GPT-6 Sol | 71.38 | 99.5 | 37 | pass |
| #8 | Grok 4 | 67.9 | 73.3 | 61.3 | pass |
| #9 | GPT-6 Luna | 60.39 | 93.6 | 19.8 | pass |
| #10 | 豆包 Pro | 57.59 | 75 | 36.3 | pass |
| #11 | Gemini 3.1 Pro | 57.59 | 75 | 36.3 | pass |
| #12 | Gemini 2.5 Pro | 53.88 | 47.8 | 61.3 | pass |
| #13 | DeepSeek V4 Pro | 42.8 | 50 | 34 | pass |
数据解读
拆开分数看，Claude Opus 4.7 主榜 94.91 排第一，代码执行 99.5、材料约束 89.3，两项都不偏科；GPT-6 Astra 主榜 92.33，同样靠代码执行 94.8 加材料约束 89.3 撑起来，头部模型在这两个指标上都维持了较高水位。Claude Sonnet 4.6 主榜 82.31、GPT-5.5 主榜 81.55，代码执行分别拿到 99.5 和 100，材料约束却只有 61.3 和 59，属于代码强、约束偏弱的类型。GPT-o3 和 GPT-6.1 Sol 的主榜分数是 79.78 与 78.69，搭配也类似：代码执行 94.9、94.8 领先，材料约束 61.3、59 落后。
GPT-6 Luna 主榜掉了 28.5 分、材料约束掉了 68.3 分；Gemini 3.1 Pro 主榜降 15.4 分、材料约束降 35.1 分；GPT-6 Sol 主榜降 12.5 分，代码执行反而升了 5.5 分，材料约束降 34.4 分。这些起伏可能只是题目抽样波动，也可能是材料约束上真的退步了，得靠后续 run 复核才能确认稳不稳。往上走的也有：GPT-5.5 主榜升 11.1 分、代码执行升 25 分；GPT-6 Astra 主榜升 11 分、材料约束升 24.5 分。是偶然还是持续表现，同样要多测几次才分得清。
Smoke 是小样本的单日信号，眼下这批数据只能说明当天的情况，没看到异常迹象。解读上还是收着点，别急着给模型的长期能力下判断。
主要变化
- GPT-6 Luna：主榜下滑 28.5 分，材料约束 -68.3 分
- Gemini 3.1 Pro：主榜下滑 15.4 分，材料约束 -35.1 分
- GPT-6 Sol：主榜下滑 12.5 分，代码执行 +5.5 分，材料约束 -34.4 分
- GPT-5.5：主榜上升 11.1 分，代码执行 +25 分，材料约束 -5.8 分
- GPT-6 Astra：主榜上升 11 分，材料约束 +24.5 分
需要关注的信号
- 这一轮没有留下可以对外发布的异常信号。
看这种 Smoke 简报，盯两件事就够了：一是某个模型有没有连着多天暴露同一类短板；二是诚信评级有没有从 pass 掉进 warn 或 fail。单日执行分或约束分大起大落，可能是题目抽样造成的，也可能是真实退化的早期苗头，得靠后面的 run 再复核。
