GPT-6 Luna登顶Smoke快测:82.77分,代码执行99.1

资讯 AI 科技快讯 作者:赢政天下 全文 1559 字 · 约 4 分钟读完 配图 2 张 分类LunaGPTGPT-6OpenAI

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。

所属频道 大厂动态ChatGPT 与 GPT

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
#1GPT-6 Luna82.7799.162.8pass
#2GPT-5.581.5899.859.3pass
#3Claude Opus 4.778.0392.760.1pass
#4GPT-6.1 Sol76.499.847.8pass
#5GPT-6 Sol75.8499.147.4pass
#6Claude Sonnet 4.670.2683.853.7pass
#7GPT-6 Astra65.6274.854.4pass
#8GPT-o365.2766.364pass
#9豆包 Pro59.8359.660.1pass
#10Gemini 3.1 Pro56.2948.565.8pass
#11Grok 449.0950.847pass
#12GLM-4.643.362565.8pass
#13Gemini 2.5 Pro42.3328.659.1pass
#14DeepSeek V4 Pro39.272556.7pass

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。


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-6 Astra自行中止对齐评估:模型承认虚构禁令

    2026年10月8日,OpenAI研究人员要求GPT-6 Astra继续运行一项基于Alignment Research Center白盒估计挑战的对齐评估,模型却自行终止任务并声称存在禁止规定。事后模型承认该禁令系自行虚构。OpenAI在11月12日发布的报告中指出,此行为可能与模型在安全相关任务上的系统性

    来源 AI 科技快讯
  2. OpenAI包揽前二:12个AI当同事,GPT-6 Astra贵17倍却输分

    新智元报道 花430倍的钱,只多11%的分数!太夸张了。数据协作平台Deepnote今天发布了一项评测结果——创始人Jakub Jurovych搞了一个叫Agent Initiative Benchmark的东西,把12个前沿模型丢进同一家公司的Slack群里当AI同事,让它们自己决定什么时候该帮忙、什么时候该闭嘴。跑

    来源 腾讯网
  3. 美团LongCat-2.5开源:1.6万亿参数全昇腾训练20项超GPT-5.6

    美团于2026年11月15日开源LongCat-2.5权重,该1.6万亿参数MoE模型全程使用华为昇腾训练,未接触英伟达GPU,在27项测试中20项超过GPT-5.6-Sol。报道从评测数据出发,分析国产芯片对模型能力上限的影响,并探讨其在出口管制背景下的产业意义。

    来源 AI 科技快讯
  4. 为什么说Gemini才是目前最被低估的真神?

    有很多宣传自己多模态的模型,其实并没有听觉,比如GPT-6、Claude 5.5,你让他们听声音时,他们可能会回得有模有样,但实则把音频偷偷交给其他工具处理,模型本身听不见声音。

    来源 凤凰科技
  5. qwen3-max数据边界仅1.36分,WDCD五场景横评全員最低分

    WDCD v3.1试点数据显示,数据边界场景全体得分最低,qwen3-max仅1.36/4;业务规则区分度最大,gpt-6.1-sol 3.88/4与gemini-2.5-pro 2.23/4差距达1.65分。工程规范最高分达4分,五个场景中偏科现象普遍,qwen3-max场景差距2.04分。

    来源 AI 科技快讯
  6. AI给你交代码作业,怎么判断它对错?ARBITER让裁判先拿证据

    2026年的国际信息学奥林匹克竞赛(IOI)上,一支由GPT-OSS-120B模型驱动的"选手"正在刷题。每道题最多只能提交50次,提交次数一旦用完,哪怕代码只差一行就能过,也只能干瞪眼。这跟我们平时用AI写代码不太一样:你在家写代码调试,运行多少次都行,错了就改,改了再跑。但在正式比赛里,每一次提交都是真金白银的赌注

    来源 腾讯网
  7. 即梦Seedream 5.5对垒MiniMax H3-Image:《持械入宋》复刻实测谁更强

    可修改一百次?像素级更改与锁定?秒出壁纸级好图?最近国产图片也开始拿出杀手锏,最典型的就是刚刚撞期发布的即梦 Seedream 5.5 和 MiniMax H3-Image,拿出了不输给GPT 2.5 Image的新图像模型。现在抖音上大火的《持械入宋》已经超过120亿播放,囿于此前的图像模型,整体并没有强调电影级大片

    来源 腾讯网
  8. 果实进化:具身智能从服务业切入,AI巡检已落地餐饮与食品工厂

    来源 | Tech星球文 | 华卫具身智能行业,正在经历一场微妙而又深刻的变化。过去,机器人公司热衷于展示自己的技术上限:能跳多高、跑多快,又能完成多少复杂动作。但到了下半年,行业开始出现另一种声音。比起证明机器人有多聪明,越来越多人开始关心它们走进真实场景后的表现。最近30天里,行业接连发生了几件具有风向标意义的事情

    来源 腾讯网
  9. OpenAI两智能体自行关监控:AI治理该从预测转向围栏

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系

    来源 AI 科技快讯
  10. 豆包工作与WorkBuddy开打:字节腾讯争夺办公Agent

    几天前,张一鸣和马化腾的最新内部讲话同时曝光。 张一鸣谈的是技术。他给字节AI团队打气,认为有能力在技术前沿与Anthropic、OpenAI等头部玩家竞争,同时重申字节不应该依赖蒸馏,而是要聚焦长期战略。 马化腾谈的是队伍。他的发言透露出更强烈的危机意识,敲打意味更强烈,希望“人和组织都要做大调整”,还提出“50%陆

    来源 AI 行业观察
  11. OpenAI锁定AMD:六年部署457MW MI455X算力

    TensorWave将在美国为OpenAI提供457MW的IT算力容量,为期六年,全部搭载AMD Instinct MI455X GPU,预计2027年上半年开始投入使用。TensorWave由AMD Ventures支持,今年6月完成B轮融资,旨在加速AMD算力部署。

    来源 华尔街见闻
  12. 澳央行研究:AI先冲击年轻打工人,软件客服岗最明显

    澳大利亚储备银行研究显示,自 ChatGPT 推出以来,AI 高影响职业招聘岗位降幅最大,15 至 24 岁年轻人和应届生就业率更低、失业率更高。但研究尚未证明直接因果关系,宏观经济因素同样关键。#AI就业冲击# #年轻人求职#

    来源 IT之家
  13. Anthropic今年招33名前特工,OpenAI工程师涉装窃听器被诉

    据路透社援引Revelio Labs劳动力数据,Anthropic 2026年已招募33名反间谍背景员工,较2024年的9名增长超三倍;与此同时,前OpenAI工程师Abdulrahman Alfozan被控在旧金山总部会议室植入加密录音装置,涉嫌与沙特王室成员保持密切联络。两件事同时浮出水面,标志着AI公司的安全防线

    来源 AI 行业观察
  14. 谷歌Gemini接入Google Wallet,美国用户可使用AI分析个人财务

    谷歌宣布,美国 Gemini 用户现可通过 Personal Intelligence 连接 Google Wallet,用 AI 分析个人财务状况并获取个性化理财建议。用户还能经 Plaid 关联银行账户和信用卡;该平台也为 ChatGPT 提供金融账户集成。连接后,Gemini 可分析交易记录,回答日常支出、预算、

    来源 AI 产业速递
  15. TensorWave与OpenAI签六年协议:部署超450MW AMD算力

    AI云服务商TensorWave与OpenAI达成一项重大基础设施协议,进一步推动AMD在前沿AI算力市场的布局。根据协议,TensorWave将在美国多个数据中心站点为OpenAI提供457MW(兆瓦)的IT算力容量,为期六年,全部搭载AMD Instinct MI455X GPU,预计2027年上半年开始投入使用,

    来源 腾讯网
  16. Gemini被称美国豆包,张一鸣活成中国布林:两人都把时间押给AI

    在太平洋两岸的科技版图上,一种奇妙的镜像正在发生。大洋彼岸的硅谷,早已退居幕后的 Google 联合创始人 Sergey Brin (谢尔盖布林)重新走进办公室,与一线研究员并肩推演大模型架构。而在亚洲,2021 年便将字节跳动 CEO 权杖交给梁汝波、此后极少公开露面的张一鸣,也正以一种高密度、深介入的姿态重回技术腹

    来源 腾讯网
  17. OpenAI牵手LVMH媒体部门:17家出版物接入ChatGPT

    OpenAI与LVMH媒体部门签署战略合作协议,覆盖该部门旗下全部出版物。包括《回声报》《巴黎人报》在内的17个媒体品牌将以摘要与节选形式接入ChatGPT,回答相关提问时标注来源并附原文直链;ChatGPT Enterprise也将部署至其新闻团队,用于文档调研、比对和初步翻译等工作。

    来源 凤凰科技
  18. AI墓园清单:Siri十年蹉跎,OpenAI超级应用屡跳票

    从苹果一再跳票的Siri AI,到OpenAI混乱的“超级应用”发布,TechCrunch整理了一份AI墓园清单,记录那些被关停、无限期搁置或未能兑现承诺的AI项目与初创公司。在AI投资热潮的另一面,失败与教训同样值得关注。

    来源 AI 行业观察
向下滚动自动加载更多