GPT-6 Luna登顶Smoke快测：88.93分，Claude Sonnet 4.6紧随
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 快测共跑了 14 个模型，当日头名是 
GPT-6 Luna，88.93 分。Smoke 属于每天 10 题的快测，看短期信号可以，不能拿它当 Full 周榜的定论。
这一期 Smoke 只开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。每天题量就那么大，单日分数拿来盯信号更合适，给模型能力下长期判断则不合适。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-6  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
放到今天这份 Smoke 快测里看，头部模型在代码执行和材料约束的搭配上分得很开。GPT-6 Luna 主榜 88.93 分排第一，代码执行 89.6 分、材料约束 88.1 分，两头都高且比较均衡；Claude Sonnet 4.6 主榜 88.27 分咬得很紧，代码执行 95.2 分很亮眼，材料约束却只有 79.8 分，属于代码强、另一头偏弱的偏科结构。GPT-6.1 Sol、Claude Opus 4.7 和 GPT-6 Sol 的主榜分数依次是 84.27、84.11、83.83，三者的代码执行都在 94 以上，材料约束则同为 71.4 分，搭配模式很像：代码执行高、材料约束低。
和上一回同口径的 run 相比，不少模型的分值动得厉害。Claude Sonnet 4.6 主榜涨 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。这些涨幅可能只是当天题目抽样带来的波动，也可能说明模型在某些维度上临时表现不一样，还得靠后续 run 复核才能确认稳不稳。GPT-5.5 和 GPT-o3 也是主榜分别涨 19.4 分和 17.1 分，代码执行分别涨 25.2 分和 23.1 分，材料约束分别涨 12.2 分和 9.7 分，同样需要更多数据来验证。
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，两者都可能是题目抽样波动造成的，也可能提示真实退化风险，要等后续 run 复核才能定。Qwen3 Max 因为数据不完整没有参与排名。整体上 Smoke 快测还是小样本的单日信号，解读时得收着点。
主要变化
- Claude Sonnet 4.6 主榜涨 28.4 分，代码执行 +38.9 分，材料约束 +15.6 分；Grok 4 主榜涨 28.1 分，代码执行 +45.2 分，材料约束 +7.2 分，诚信评级由 warn 转为 pass。
- GPT-6 Astra 主榜涨 25 分，代码执行 +45 分；GPT-5.5 主榜涨 19.4 分，代码执行 +25.2 分，材料约束 +12.2 分；GPT-o3 主榜涨 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，两个问题最该盯：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 掉进 warn 或 fail。单日执行或约束分数大起大落，可能来自题目抽样，也可能是真实退化的早期信号，得靠后续 run 复核。
