GPT-6 Luna登顶Smoke快测：88.93分，代码与约束双高
2026-11-12 赢政指数 Smoke 快测覆盖 14 个模型，GPT-6 Luna 以 88.93 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。
2026-11-12 的赢政指数 Smoke 快测一共跑了 14 个模型，当天排第一的是 
GPT-6 Luna，88.93 分。Smoke 是每天 10 道题的快测，看短期信号可以，不能拿它当 Full 周榜的结论用。
这次评测只涉及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。样本量每天都不大，所以单日分数当监控信号看更合适，别拿它对模型能力下长期判断。放到今天的榜单上，头部模型在这两个维度上的搭配分化得挺明显。GPT-6 
Luna 主榜 88.93 分排在最前，代码执行 89.6 分、材料约束 88.1 分，两头都不低。Claude Sonnet 4.6 以 88.27 分跟在后面，代码执行 95.2 分很扎眼，材料约束却只有 79.8 分，靠强代码执行撑起来，结构偏得厉害。GPT-6.1 Sol、Claude Opus 4.7 和 GPT-6 Sol 的主榜分数分别是 84.27、84.11 与 83.83，代码执行全在 94 以上，材料约束则都是 71.4 分，套路差不多：代码高、约束低。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-6 Luna | 88.93 | 89.6 | 88.1 | pass |
| #2 | Claude Sonnet 4.6 | 88.27 | 95.2 | 79.8 | pass |
| #3 | GPT-6.1 Sol | 84.27 | 94.8 | 71.4 | pass |
| #4 | Claude Opus 4.7 | 84.11 | 94.5 | 71.4 | pass |
| #5 | GPT-6 Sol | 83.83 | 94 | 71.4 | pass |
| #6 | GPT-6 Astra | 81.3 | 94.8 | 64.8 | pass |
| #7 | Grok 4 | 76.78 | 73 | 81.4 | pass |
| #8 | GPT-o3 | 74.64 | 69.1 | 81.4 | pass |
| #9 | Gemini 3.1 Pro | 73 | 74.3 | 71.4 | pass |
| #10 | GPT-5.5 | 70.41 | 75 | 64.8 | pass |
| #11 | 豆包 Pro | 68.54 | 68.4 | 68.7 | pass |
| #12 | DeepSeek V4 Pro | 53.4 | 25 | 88.1 | pass |
| #13 | GLM-4.6 | 53.4 | 25 | 88.1 | fail |
| #14 | Gemini 2.5 Pro | 45.06 | 23.5 | 71.4 | pass |
数据解读
和上一次同口径 run 比，不少模型的分值动得不小。Claude Sonnet 4.6 主榜涨了 28.4 分，代码执行涨 38.9 分，材料约束涨 15.6 分；Grok 4 主榜涨 28.1 分，代码执行涨 45.2 分；GPT-6 Astra 主榜涨 25 分，代码执行涨 45 分。这些涨幅可能只是单日抽题波动，也可能是模型在某个维度上临时表现不一样，得靠后续 run 复核才能确认稳不稳。GPT-5.5 和 GPT-o3 也一样，主榜分别涨 19.4 分与 17.1 分，代码执行分别涨 25.2 分与 23.1 分，材料约束分别涨 12.2 分与 9.7 分，同样要更多数据来验证。
异常信号这边，Claude Opus 4.7 的材料约束掉了 16.9 分，豆包 Pro 主榜掉了 10.6 分，跌幅都不小。可能是抽题波动，也可能真是退化风险，得等后续 run 复核。Qwen3 Max 因为数据不完整没进排名。整体看，Smoke 快测还是小样本的单日信号，解读时收着点。
主要变化
- Claude Sonnet 4.6：主榜 +28.4 分，代码执行 +38.9 分，材料约束 +15.6 分
- Grok 4：主榜 +28.1 分，代码执行 +45.2 分，材料约束 +7.2 分，诚信 warn→pass
- GPT-6 Astra：主榜 +25 分，代码执行 +45 分
- GPT-5.5：主榜 +19.4 分，代码执行 +25.2 分，材料约束 +12.2 分
- GPT-o3：主榜 +17.1 分，代码执行 +23.1 分，材料约束 +9.7 分
需要关注的信号
- Claude Opus 4.7：材料约束暴跌 -16.9 分
- 豆包 Pro：主榜暴跌 -10.6 分
- 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
- GLM-4.6：今日诚信评级为 fail（基于当日 Smoke 数据）。
看这类 Smoke 简报，盯两件事就够了：一是某个模型是不是连着几天都暴露同一类弱点；二是诚信评级有没有从 pass 掉到 warn 或者 fail。单日执行分数或约束分数大幅变动，可能来自抽题，也可能是真退化的早期信号，后面还得靠 run 复核。
