GPT-5.5登顶Smoke快测：94.8分居首，Gemini两款主榜大幅回落
2026-11-04 赢政指数 Smoke 快测覆盖 12 个模型，GPT-5.5 以 94.8 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。
2026-11-04 的赢政指数 Smoke 快测共纳入 12 个模型，当日头名是 
GPT-5.5，得分 94.8。Smoke 属于每天 10 道题的快测，用来捕捉短期变化可以，但不能拿它当 Full 周榜的结论。
这一期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。每天题量有限，所以单日分数更像一个监控读数，不足以对模型能力下长期判断。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-5.5 | 94.8 | 99.3 | 89.3 | pass |
| #2 | Claude Opus 4.7 | 93.46 | 88.1 | 100 | pass |
| #3 | GPT-o3 | 92.59 | 96.1 | 88.3 | pass |
| #4 | GPT-6 Sol | 89.43 | 99.1 | 77.6 | pass |
| #5 | GPT-6 Astra | 88.05 | 96.6 | 77.6 | pass |
| #6 | GPT-6.1 Sol | 88.05 | 96.6 | 77.6 | pass |
| #7 | GPT-6 Luna | 75.79 | 74.3 | 77.6 | warn |
| #8 | Claude Sonnet 4.6 | 73.76 | 78.8 | 67.6 | warn |
| #9 | Grok 4 | 66.11 | 56.7 | 77.6 | pass |
| #10 | 豆包 Pro | 56.73 | 60.1 | 52.6 | pass |
| #11 |  Gemini 3.1 Pro | 40.61 | 30.8 | 52.6 | pass |
| #12 | Gemini 2.5 Pro | 23.67 | 0 | 52.6 | pass |
数据解读
从今天的搭配看，排在前面的模型在代码执行和材料约束上各有偏重。GPT-5.5 的代码执行拿到 99.3、材料约束 89.3，主榜 94.8；Claude Opus 4.7 靠材料约束 100 和代码执行 88.1 换来主榜 93.46；GPT-o3 则是代码执行 96.1、材料约束 88.3，主榜 92.59。三者的诚信评级都是 pass。一边代码执行强、一边材料约束高，这种互补让它们在主榜公式下占住了前位。
异动幅度较大的模型不止一个。Gemini 2.5 Pro 主榜掉了 40 分，代码执行降 70.8 分；Gemini 3.1 Pro 主榜下滑 33.7 分，代码执行降 66.1 分。往上的方向，GPT-o3 主榜升 17.8 分、材料约束升 37.5 分，Claude Opus 4.7 主榜升 17.5 分、代码执行升 18.1 分。跌得明显的还有 GPT-6 Luna，主榜少了 11.5 分；Claude Sonnet 4.6 少 11.1 分；豆包 Pro 少 13.2 分。这些起伏可能来自题目抽样，也可能是当天真的退化了，得等后续 run 复核才能确认。
小样本、单日，这就是 Smoke 的性质。Gemini 系列和 GPT-6 Luna 这次的波动算大的，但眼下数据只代表当日状态，看不出长期走势。DeepSeek V4 Pro、GLM-4.6、Qwen3 Max 因为 API 故障，数据不完整，已经进入自动补跑，本期不参与排名。
主要变化
- Gemini 2.5 Pro：主榜 -40 分，代码执行 -70.8 分
- Gemini 3.1 Pro：主榜 -33.7 分，代码执行 -66.1 分，材料约束 +5.9 分
- GPT-o3：主榜 +17.8 分，材料约束 +37.5 分
- Claude Opus 4.7：主榜 +17.5 分，代码执行 +18.1 分，材料约束 +16.7 分
- 豆包 Pro：主榜 -13.2 分，代码执行 -28.8 分，材料约束 +5.9 分
需要关注的信号
- GPT-6 Luna：主榜暴跌 -11.5 分
- Claude Sonnet 4.6：主榜暴跌 -11.1 分
- 豆包 Pro：主榜暴跌 -13.2 分
- Gemini 3.1 Pro：主榜暴跌 -33.7 分
- Gemini 2.5 Pro：主榜暴跌 -40 分
- DeepSeek V4 Pro：数据不完整（缺 execution 维度，API 故障/超时），已进入自动补跑，本期不参与排名
- GLM-4.6：数据不完整（缺 execution,communication 维度，API 故障/超时），已进入自动补跑，本期不参与排名
- 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
看这类 Smoke 简报，两个问题最该盯住：某个模型是不是连着多天都在同一类弱点上栽跟头；诚信评级有没有从 pass 掉到 warn 或者 fail。单日执行分或约束分的大幅起落，可能是题目抽样造成的，也可能是真实退化的早期迹象，还得靠后续 run 复核。
