GPT-6 Luna登顶Smoke快测:82.77分,代码执行99.1
2026-11-17 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Luna 以 82.77 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。
2026-11-17 的赢政指数 Smoke 快测共跑了 14 个模型,当日头名是
GPT-6 Luna,得分 82.77。Smoke 属于每天 10 题的快测,用来捕捉短期信号可以,但不能当成 Full 周榜的结论。
这一轮 Smoke 只看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,所以单日分数更适合当作监控信号,拿它对模型能力下长期判断并不合适。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-6 | 82.77 | 99.1 | 62.8 | pass |
| #2 | GPT-5.5 | 81.58 | 99.8 | 59.3 | pass |
| #3 | Claude Opus 4.7 | 78.03 | 92.7 | 60.1 | pass |
| #4 | GPT-6.1 Sol | 76.4 | 99.8 | 47.8 | pass |
| #5 | GPT-6 Sol | 75.84 | 99.1 | 47.4 | pass |
| #6 | Claude Sonnet 4.6 | 70.26 | 83.8 | 53.7 | pass |
| #7 | GPT-6 Astra | 65.62 | 74.8 | 54.4 | pass |
| #8 | GPT-o3 | 65.27 | 66.3 | 64 | pass |
| #9 | 豆包 Pro | 59.83 | 59.6 | 60.1 | pass |
| #10 | Gemini 3.1 Pro | 56.29 | 48.5 | 65.8 | pass |
| #11 | Grok 4 | 49.09 | 50.8 | 47 | pass |
| #12 | GLM-4.6 | 43.36 | 25 | 65.8 | pass |
| #13 | Gemini 2.5 Pro | 42.33 | 28.6 | 59.1 | pass |
| #14 | DeepSeek V4 Pro | 39.27 | 25 | 56.7 | pass |
数据解读
拆开分数看,排在前面的模型大多是代码执行与材料约束互相补位的组合。GPT-6 Luna 代码执行 99.1、材料约束 62.8,主榜 82.77;GPT-5.5 代码执行 99.8、材料约束 59.3,排第二;Claude Opus 4.7 代码执行 92.7、材料约束 60.1,排第三。正是这种搭配让它们的总分保持在前。
另一类结构相反。GPT-6.1 Sol 代码执行 99.8,材料约束只有 47.8;GPT-6 Sol 代码执行 99.1、材料约束 47.4。两个模型都表现为代码执行强、材料约束偏弱。
变化较大的模型里,Grok 4 主榜 -32.9 分、代码执行 -25.2 分、材料约束 -42.3 分;GPT-6 Sol 主榜 -16.6 分、材料约束 -41.9 分;GPT-6 Astra 主榜 -13.1 分、材料约束 -34.9 分;豆包 Pro 主榜 +19 分、代码执行 +38 分;DeepSeek V4 Pro 主榜 -11.9 分、材料约束 -32.6 分。单日出现这种波动,可能是题目抽样造成的,也可能确实反映模型在特定约束下的表现差异,还得靠同口径 run 再跑一遍确认。
主要变化
- 作为小样本单日信号,Smoke 眼下给出的只是当日观察,没有出现异常信号,解读上保持克制,以反映实际的分数结构。
- Grok 4:主榜下降 32.9 分,代码执行 -25.2 分,材料约束 -42.3 分;豆包 Pro:主榜上升 19 分,代码执行 +38 分;GPT-6 Sol:主榜下降 16.6 分,材料约束 -41.9 分;GPT-6 Astra:主榜下降 13.1 分,材料约束 -34.9 分;DeepSeek V4 Pro:主榜下降 11.9 分,代码执行 +5 分,材料约束 -32.6 分。
需要关注的信号
- 本次未保留可发布的异常信号。
看这类 Smoke 简报,要盯住两件事:一是某个模型有没有连续多日暴露同一类弱点;二是诚信评级有没有从 pass 掉到 warn 或 fail。单日执行分或约束分大幅起落,可能只是题目抽样,也可能是真实退化的早期信号,需要后续 run 复核。