Claude Opus 4.7 拿下79.56分：11月11日Smoke快测13款模型成绩单
2026-11-11 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 以 79.56 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。
2026-11-11 的赢政指数 Smoke 快测共跑了 13 个模型，
Claude Opus 4.7 当天以 79.56 分排在第一。Smoke 是每天 10 道题的快测，用来盯短期信号可以，不能当成 Full 周榜的结论。
这次 Smoke 只覆盖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，所以单日分数更适合当监控信号看，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 | Claude  Opus 4.7 |
79.56 | 72.4 | 88.3 | pass |
| #2 | 豆包 Pro | 79.18 | 78.5 | 80 | pass |
| #3 | GPT-6 Luna | 74.75 | 71.1 | 79.2 | pass |
| #4 | GPT-6.1 Sol | 74.53 | 74.8 | 74.2 | pass |
| #5 | GPT-6 Sol | 69.65 | 74.1 | 64.2 | pass |
| #6 | Claude Sonnet 4.6 | 59.86 | 56.3 | 64.2 | pass |
| #7 | GPT-o3 | 57.57 | 46 | 71.7 | pass |
| #8 | Gemini 3.1 Pro | 56.46 | 35.8 | 81.7 | pass |
| #9 | GPT-6 Astra | 56.28 | 49.8 | 64.2 | pass |
| #10 | GPT-5.5 | 51.06 | 49.8 | 52.6 | pass |
| #11 | DeepSeek V4 Pro | 48.92 | 16.7 | 88.3 | pass |
| #12 | Grok 4 | 48.68 | 27.8 | 74.2 | warn |
| #13 | Gemini 2.5 Pro | 46.81 | 24.4 | 74.2 | pass |
数据解读
从今天的成绩看，排在前面的模型在代码执行和材料约束这两项上的搭配差别不小。Claude Opus 4.7 主榜 79.56 居首，代码执行 72.4、材料约束 88.3，材料约束这一项优势明显；豆包Pro 主榜 79.18 排在后面一点，代码执行 78.5、材料约束 80，代码执行分数更高；GPT-6 Luna 主榜 74.75，代码执行 71.1、材料约束 79.2，两项比较均衡。靠前的模型基本两项都维持在高位，中下游则出现单项突出、整体受限的情况：DeepSeek V4 Pro 代码执行只有 16.7，材料约束却到 88.3；Gemini 3.1 Pro 代码执行 35.8、材料约束 81.7。
跟上一同口径 run 比，GPT-6 Astra 主榜掉了 36.2 分，代码执行降 50.2 分、材料约束降 19.1 分；GPT-5.5 主榜降 28.9 分，代码执行降 32.6 分、材料约束降 24.3 分；Gemini 3.1 Pro 主榜降 26 分，代码执行降 45.9 分；Gemini 2.5 Pro 主榜降 18.2 分，代码执行降 24.1 分、材料约束降 11 分；GPT-6.1 Sol 主榜降 18 分，代码执行降 25.2 分、材料约束降 9.1 分。跌幅大多落在代码执行上，材料约束的波动要小一些。
这轮 Smoke 是小样本的单日信号。上面这些分数变化，可能是题目抽样带来的波动，也可能反映了模型在某些场景下的真实差异，还得靠后续 run 复核才能确认稳不稳定。所有解读都只针对当天数据，不做长期判断。
主要变化
- GPT-6 Astra：主榜下降36.2分，代码执行-50.2分，材料约束-19.1分；GPT-5.5：主榜下降28.9分，代码执行-32.6分，材料约束-24.3分；Gemini 3.1 Pro：主榜下降26分，代码执行-45.9分；Gemini 2.5 Pro：主榜下降18.2分，代码执行-24.1分，材料约束-11分；GPT-6.1 Sol：主榜下降18分，代码执行-25.2分，材料约束-9.1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，盯住两件事就够了：一是某个模型有没有连着多天暴露同一类弱点；二是诚信评级有没有从 pass 掉到 warn 或 fail。单日执行或约束分数大幅起落，既可能是题目抽样，也可能是真实退化的早期迹象，得等后续 run 复核。
