2026-11-18 的赢政指数 Smoke 快测共跑了 14 个模型,当日头名是 GPT-6 Astra,得分 91.14。Smoke 是每天 10 题的快测,用来盯短期信号可以,不能拿它当 Full 周榜的结论。

这一期 Smoke 只涉及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。每天题量就这么点,单日分数更像是监控用的信号,别据此给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
#1GPT-6 Astra91.1410080.3pass
#2GPT-6.1 Sol90.1510078.1pass
#3GPT-6 Luna83.917594.8pass
#4Grok 483.979.489.4pass
#5Gemini 2.5 Pro82.527591.7pass
#6DeepSeek V4 Pro81.487589.4pass
#7GPT-5.578.747583.3pass
#8GPT-6 Sol76.47578.1pass
#9Claude Opus 4.775.997083.3pass
#10GPT-o372.550100pass
#11豆包 Pro71.817567.9pass
#12GLM-4.671.515097.8pass
#13Claude Sonnet 4.664.3455.275.5pass
#14Gemini 3.1 Pro58.065067.9pass

主要变化

  • DeepSeek V4 Pro 主榜涨了 42.2 分,其中代码执行 +50 分、材料约束 +32.7 分;Gemini 2.5 Pro 主榜 +40.2 分,代码执行 +46.4 分、材料约束 +32.6 分。
  • Grok 4 主榜上行 34.8 分,代码执行 +28.6 分、材料约束 +42.4 分;GLM-4.6 主榜 +28.2 分,代码执行 +25 分、材料约束 +32 分。
  • GPT-6 Astra 自己的主榜涨幅是 25.5 分,代码执行 +25.2 分,材料约束 +25.9 分。

需要关注的信号

  • 代码执行一项跌得最狠的是 GPT-6 Luna,-24.1 分;GPT-5.5 同样难看,-24.8 分。
  • GPT-6 Sol 的代码执行掉了 -24.1 分,Claude Opus 4.7 是 -22.7 分。
  • GPT-o3 代码执行 -16.3 分,Claude Sonnet 4.6 则暴跌 -28.6 分。
  • Qwen3 Max 的数据不完整,缺 execution、grounding、judgment、integrity、communication 几个维度,原因是 API 故障/超时,已经触发自动补跑,这一期不参加排名。

看这种 Smoke 简报,盯两件事就够了:一个模型是不是连着好几天都栽在同一类弱项上;诚信评级有没有从 pass 掉到 warn 或 fail。单日执行分数或约束分数大幅起落,可能是题目抽样造成的,也可能是真退化的早期迹象,得靠后续 run 复核。