GPT-6 Luna 单日快测 82.77 分领跑:代码执行 99.1,材料约束仅 62.8

资讯 AI 行业观察 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 快测一共跑了 14 个模型,当日头名是 GPT-6 Luna,得分 82.77。Smoke 属于每天 10 道题的快测,用来捕捉短期信号,跟 Full 周榜的结论不是一回事。

这一轮 Smoke 只涉及两个主榜维度:代码执行和材料约束。主榜的计算方式是 0.55 × 代码执行 + 0.45 × 材料约束。每日样本量偏小,单日分数拿来做监控信号更合适,不宜据此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-6 Luna 82.77 99.1 62.8 pass
#2 GPT-5.5 81.58 99.8 59.3 pass
#3 Claude Opus 4.7 78.03 92.7 60.1 pass
#4 GPT-6.1 Sol 76.4 99.8 47.8 pass
#5 GPT-6 Sol 75.84 99.1 47.4 pass
#6 Claude Sonnet 4.6 70.26 83.8 53.7 pass
#7 GPT-6 Astra 65.62 74.8 54.4 pass
#8 GPT-o3 65.27 66.3 64 pass
#9 豆包 Pro 59.83 59.6 60.1 pass
#10 Gemini 3.1 Pro 56.29 48.5 65.8 pass
#11 Grok 4 49.09 50.8 47 pass
#12 GLM-4.6 43.36 25 65.8 pass
#13 Gemini 2.5 Pro 42.33 28.6 59.1 pass
#14 DeepSeek V4 Pro 39.27 25 56.7 pass

数据解读

拆开分数看,排在前面的模型大多是代码执行和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,列第三。正是这种搭配让它们的总分守在前列。另一类结构则相反: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,都是代码执行强、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,可能只是题目抽样带来的起伏,也可能确实反映了模型在特定约束下的表现差距,还得靠同口径的 run 再跑一遍确认。

Smoke 是小样本的单日信号,眼下这组数据只说明当天的观察结果,没有出现异常信号。解读上保持克制,才对得上实际分数结构的特点。

主要变化

  • Grok 4:主榜降 32.9 分,代码执行 -25.2 分,材料约束 -42.3 分
  • 豆包 Pro:主榜升 19 分,代码执行 +38 分
  • GPT-6 Sol:主榜降 16.6 分,材料约束 -41.9 分
  • GPT-6 Astra:主榜降 13.1 分,材料约束 -34.9 分
  • DeepSeek V4 Pro:主榜降 11.9 分,代码执行 +5 分,材料约束 -32.6 分

需要关注的信号

  • 这次没有留下可以发布的异常信号。

看这类 Smoke 简报,两个问题最要紧:一是某个模型有没有连续几天在同一类弱点上栽跟头;二是诚信评级有没有从 pass 掉到 warn 或者 fail。单日执行分或约束分大幅起落,可能来自题目抽样,也可能是真实退化的早期迹象,要靠后续 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 行业观察
  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. 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
  7. 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
  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. 谷歌TPU四款齐发:整柜外售,推理每美元性能超GB200五成

    英伟达最近头疼的事儿可不止老黄那一件。 本周内,谷歌祭出了两款新TPU芯片,分别瞄准机密推理和长上下文。算上上半年发布的两款TPU芯片,第八代TPU已经扩到四种配置。 今年,谷歌第一次在同一年内推出四款TPU系统。而谷歌对TPU的野心,可能比外界想象得更大—— 还是今年,谷歌破天荒开始对外销售TPU系统。 量子位从谷歌

    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招33名前特工:AI安保竞赛升温

    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

    来源 AI 科技快讯
  14. 曝苹果首款智能眼镜明年6月发布、年底出货

    【TechWeb】11月16日消息,据彭博社资深科技记者马克·古尔曼(Mark Gurman)2026年11月15日发布的“Power On”通讯,苹果首款智能眼镜计划在2027年6月的苹果全球开发者大会(WWDC)上正式发布,并预计在2027年年底之前开始出货。该产品内部代号为 N50。 报道称,N50 智能眼镜不具

    来源 AI 行业观察
  15. 腾讯混元Hy4 flash发布:每百万Token输入0.5元,张军称性价比最高

    【TechWeb】11月16日消息,今日,腾讯混元最新语言模型Hy4 flash正式发布。腾讯公司公关总监张军在社交平台发文称,“这是迄今为止性价比最高的混元模型。” 混元Hy4 flash每百万Token输入0.5元、输出2元,命中缓存时仅需0.02元,价格相比Hy4大幅降低。 该模型总参数量为224B(其中64B

    来源 AI 行业观察
  16. 黄仁勋卸任英伟达CEO:CFO Kress接任临时掌门

    IT之家 11 月 16 日消息,被誉为“AI 教父”的杰弗里・辛顿在最新采访中,对英伟达前 CEO 黄仁勋给出了与众不同的评价。辛顿表示,“我对黄仁勋有一点了解。”,“我的印象里,他是个正派的人。”,不会将其与 OpenAI 首席执行官山姆・奥尔特曼、Meta 创始人马克・扎克伯格、特斯拉 CEO 埃隆・马斯克归为同

    来源 腾讯网
  17. 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
  18. 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
向下滚动自动加载更多