GPT-5.5 以 94.8 分领跑，2026-11-04 Smoke 快测 12 款模型数据拆解

2026-11-04 的赢政指数 Smoke 快测覆盖了 12 个模型，GPT-5.5 拿到 94.8 分，排在当天第一。Smoke 是每天 10 题的快测，用来捕捉短期信号，不能等同于 Full 周榜的结论。

这次 Smoke 只评了代码执行和材料约束两个主榜维度，主榜按 0.55 × 代码执行 + 0.45 × 材料约束算分。每天样本量不大，单日分数更适合当监控信号看，不宜拿来给模型能力下长期定论。今天的头名之争里，头部模型在两个维度上的搭配已经拉开差距：GPT-5.5 代码执行 99.3、材料约束 89.3，主榜 94.8；Claude Opus 4.7 材料约束拿到 100、代码执行 88.1，主榜 93.46；GPT-o3 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。一边强在代码执行、一边强在材料约束，这种互补让它们在主榜公式下占了前位。

当日排名

数据解读

多个模型出现了明显异动。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。往上走的也有：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。另一边，GPT-6 Luna 主榜暴跌 11.5 分，Claude Sonnet 4.6 暴跌 11.1 分，豆包Pro 暴跌 13.2 分。这些变化可能来自题目抽样的波动，也可能是单日真实表现退化，得靠后续 run 复核才能确认。

Smoke 是小样本的单日信号。Gemini 系列和 GPT-6 Luna 这类异常模型的波动幅度偏大，眼下的数据只反映当天状态，看不出长期趋势。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。

还有几个信号需要盯住

• GPT-6 Luna：主榜 -11.5 分；Claude Sonnet 4.6：主榜 -11.1 分；豆包 Pro：主榜 -13.2 分；Gemini 3.1 Pro：主榜 -33.7 分；Gemini 2.5 Pro：主榜 -40 分。
• DeepSeek V4 Pro 数据不完整，缺 execution 维度，原因是 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，同样是 API 故障/超时，已自动补跑，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，重点就两件事：一是某个模型有没有连续多天栽在同一类弱点上；二是诚信评级有没有从 pass 滑到 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，需要后续 run 复核。