GPT-6 Sol与GPT-o3并列92.49分：11月9日Smoke快测13款模型成绩单
2026-11-09 赢政指数 Smoke 快测覆盖 13 个模型，GPT-6 Sol 与 GPT-o3 以 92.49 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
2026-11-09，赢政指数 Smoke 快测覆盖 13 个模型。
GPT-6 Sol 和 GPT-o3 同拿 92.49 分，并列当天第一。Smoke 是每天 10 道题的快测，用来捕捉短期变化；它和 Full 周榜的结论不能画等号。
这轮 Smoke 只跑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 × 材料约束计算。每天样本量不大，所以单日成绩更适合当监控信号看，拿它对模型能力下长期判断并不合适。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-6 Sol | 92.49 | 100 | 83.3 | pass |
| #2 | GPT-o3 | 92.49 | 100 | 83.3 | pass |
| #3 | Grok 4 | 91.33 | 93.8 | 88.3 | pass |
| #4 | Claude Sonnet 4.6 | 91 | 100 | 80 | pass |
| #5 | GPT-6 Luna | 90.24 | 100 | 78.3 | pass |
| #6 | GPT-6 Astra | 87.99 | 100 | 73.3 | pass |
| #7 | GPT-6.1 Sol | 87.99 | 100 | 73.3 | pass |
| #8 | 豆包 Pro | 83.49 | 100 | 63.3 | pass |
| #9 | Gemini 2.5 Pro | 82.52 | 75 | 91.7 | pass |
| #10 | Claude Opus 4.7 | 78.74 | 75 | 83.3 | pass |
| #11 | Gemini 3.1 Pro | 78.74 | 75 | 83.3 | pass |
| #12 | GPT-5.5 | 78.74 | 75 | 83.3 | pass |
| #13 | DeepSeek V4 Pro | 68 | 50 | 90 | pass |
数据解读
当天排在前面的几款模型，情况各有不同。GPT-6 Sol 和 GPT-o3 的主榜分数都是 92.49，代码执行双双拿到 100，材料约束则都停在 83.3，靠这个搭配站上榜首。Grok 4 主榜 91.33，代码执行 93.8、材料约束 88.3，材料约束这一项相对更亮眼。Claude Sonnet 4.6 的代码执行也是 100，材料约束 80，主榜 91 分。头部模型普遍在代码执行上表现强势，材料约束却参差不齐。
进步幅度较大的几款模型里，代码执行维度都出现了明显变化。Gemini 2.5 Pro 主榜比上次高 30.5 分，代码执行提高 55 分；GPT-o3 主榜涨 29.1 分，代码执行提高 55.6 分，诚信评级从 warn 转为 pass；豆包 Pro 主榜提升 23.9 分，代码执行提高 46.7 分，诚信评级同样由 warn 转为 pass；Claude Opus 4.7 主榜升 23.4 分，代码执行提高 49 分，材料约束却掉了 7.8 分。
GLM-4.6 和 Qwen3 Max 因为 API 故障，数据不完整，没进排名。这可能是抽样波动，也可能是真的退化，要等后续 run 复核才能确认。Smoke 快测本来就是小样本的单日信号，面对分数变化还是应该克制解读。
主要变化
- Gemini 2.5 Pro：主榜上升 30.5 分，代码执行 +55 分；GPT-o3：主榜上升 29.1 分，代码执行 +55.6 分，诚信 warn→pass
- 豆包 Pro：主榜上升 23.9 分，代码执行 +46.7 分，诚信 warn→pass；Claude Opus 4.7：主榜上升 23.4 分，代码执行 +49 分，材料约束 -7.8 分
- Gemini 3.1 Pro：主榜上升 22.6 分，代码执行 +49.2 分，材料约束 -10 分
需要关注的信号
- GLM-4.6：数据不完整（缺 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
读这类 Smoke 简报，重点看两件事。一是某个模型有没有连续多日暴露同一类弱点；二是诚信评级有没有从 pass 掉进 warn 或 fail。单日执行分数或约束分数大幅变动，既可能是题目抽样造成的，也可能是真实退化的早期信号，得靠后续 run 复核。
