GPT-6 Sol登顶Smoke快测:80.54分,Gemini 2.5 Pro单日跌44.8分
2026-11-19 赢政指数 Smoke 快测覆盖 13 个模型,GPT-6 Sol 以 80.54 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。
2026-11-19 的赢政指数 Smoke 快测共纳入 13 个模型,当日头名是
GPT-6 Sol,得分 80.54。Smoke 每天只出 10 道题,看的是短期信号,不能当成 Full 周榜的结论。
这轮 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。每天样本量不大,单日分数拿来做监控可以,用来给模型能力下长期定论并不合适。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-6 Sol | 80.54 | 68.7 | 95 | pass |
| #2 | GPT-5.5 | 78.62 | 74.3 | 83.9 | pass |
| #3 | GPT-o3 | 78.08 | 73.8 | 83.3 | pass |
| #4 | Claude Sonnet 4.6 | 77.41 | 68.5 | 88.3 | pass |
| #5 | Claude Opus 4.7 | 74.43 | 57.6 | 95 | pass |
| #6 | 豆包 Pro | 71.84 | 48.8 | 100 | pass |
| #7 | 68.77 | 47.3 | 95 | pass | |
| #8 | GPT-6 Astra | 64.87 | 49.3 | 83.9 | pass |
| #9 | GPT-6.1 Sol | 64.87 | 49.3 | 83.9 | pass |
| #10 | GPT-6 Luna | 63.76 | 38.2 | 95 | pass |
| #11 | Grok 4 | 50.41 | 23.5 | 83.3 | pass |
| #12 | DeepSeek V4 Pro | 46.94 | 16.7 | 83.9 | pass |
| #13 | Gemini 2.5 Pro | 37.76 | 0 | 83.9 | pass |
数据解读
当日主榜前五名在代码执行和材料约束的搭配上各有偏重。GPT-6 Sol 代码执行 68.7、材料约束 95,主榜 80.54;GPT-5.5 代码执行 74.3、材料约束 83.9,主榜 78.62;GPT-o3 代码执行 73.8、材料约束 83.3,主榜 78.08;Claude Sonnet 4.6 代码执行 68.5、材料约束 88.3,主榜 77.41;Claude Opus 4.7 代码执行 57.6、材料约束 95,主榜 74.43。材料约束拿到 95 的头部模型,按主榜公式算下来名次依然靠前;代码执行 74.3 的那一个,则靠执行分把差距追了回来。
异常信号这边,Gemini 2.5 Pro 主榜掉了 44.8 分,代码执行掉 75 分,材料约束掉 7.8 分;DeepSeek V4 Pro 主榜掉 34.5 分,代码执行掉 58.3 分,材料约束掉 5.5 分;Grok 4 主榜掉 33.5 分,代码执行掉 55.9 分,材料约束掉 6.1 分;GPT-6 Astra 主榜掉 26.3 分,代码执行掉 50.7 分;GPT-6.1 Sol 主榜掉 25.3 分,代码执行掉 50.7 分,材料约束反而涨了 5.8 分;GPT-o3 材料约束掉 16.7 分;豆包 Pro 代码执行掉 26.2 分;GPT-6 Luna 主榜掉 20.2 分。单日出现这么大的波动,可能是题目抽样造成的,也可能是真的退化了,得靠后续 run 复核才能确认。
GLM-4.6 和 Qwen3 Max 碰上 API 故障,数据不完整,本期没进排名。Smoke 快测本身就是小样本的单日信号,上面这些观察只反映当天分数结构,长期判断暂时不做。
主要变化
- Gemini 2.5 Pro:主榜 -44.8 分,代码执行 -75 分,材料约束 -7.8 分
- DeepSeek V4 Pro:主榜 -34.5 分,代码执行 -58.3 分,材料约束 -5.5 分
- Grok 4:主榜 -33.5 分,代码执行 -55.9 分,材料约束 -6.1 分
- GPT-6 Astra:主榜 -26.3 分,代码执行 -50.7 分
- GPT-6.1 Sol:主榜 -25.3 分,代码执行 -50.7 分,材料约束 +5.8 分
需要关注的信号
- GPT-o3:材料约束暴跌 -16.7 分
- 豆包 Pro:代码执行暴跌 -26.2 分
- GPT-6 Astra:主榜暴跌 -26.3 分
- GPT-6.1 Sol:主榜暴跌 -25.3 分
- GPT-6 Luna:主榜暴跌 -20.2 分
- Grok 4:主榜暴跌 -33.5 分
- DeepSeek V4 Pro:主榜暴跌 -34.5 分
- Gemini 2.5 Pro:主榜暴跌 -44.8 分
- GLM-4.6:数据不完整(缺 execution,grounding,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,盯两件事就够了:一是某个模型有没有连续多天暴露同一类弱点;二是诚信评级有没有从 pass 掉到 warn 或 fail。单日执行分或约束分大幅变动,可能只是题目抽样,也可能是真实退化的早期迹象,还得等后续 run 复核。