GPT-5.5周评:末日54.16较首日跌38.3,豆包Pro均71.7波动52.2

资讯 AI 行业观察 全文 1702 字 · 约 5 分钟读完 配图 2 张 分类豆包GPTGPT-5.5OpenAI字节跳动Deepseek

2026-11-16至2026-11-22 Smoke数据中,GPT-5.5趋势-38.3、GPT-6 Sol趋势-27.8等多模型下滑,豆包Pro趋势+32.4却波动52.2,DeepSeek V4 Pro波动42.2,GLM-4.6诚信评级从pass转为warn,揭示执行与材料约束维度下的稳定性分化。

所属频道 大厂动态ChatGPT 与 GPT国产大模型

2026-11-16至2026-11-22这一周的Smoke评测给出这样一组数:GPT-5.5首日92.44分,到末日只剩54.16分,趋势下降38.3分,均值73.4分,波动38.3分。

下滑模型的数据事实

具体来看,GPT-5.5首日92.44分、末日54.16分、趋势-38.3、均值73.4、波动38.3;GPT-6 Sol首日92.44分、末日64.63分、趋势-27.8、均值76.6、波动27.8;GPT-6 Luna首日88.75分、末日67.13分、趋势-21.6、均值74.6、波动32.8;GPT-6 Astra首日78.69分、末日66.79分、趋势-11.9、均值75.1、波动26.3;GPT-6.1 Sol首日78.69分、末日70.88分、趋势-7.8、均值75.2、波动25.3;Claude Sonnet 4.6首日70.74分、末日61.56分、趋势-9.2、均值69.3、波动15.9;GLM-4.6首日51.19分、末日43.77分、趋势-7.4、均值53.1、波动28.2。

走高的模型与波动情况

另一批模型趋势向上:Grok 4首日81.99分、末日83.51分、趋势+1.5、均值72、波动34.8;GPT-o3首日68.46分、末日78.4分、趋势+9.9、均值71.2、波动20.5;Gemini 3.1 Pro首日53.69分、末日57.52分、趋势+3.8、均值60.3、波动19.1;DeepSeek V4 Pro首日51.19分、末日62.33分、趋势+11.1、均值58.3、波动42.2;Gemini 2.5 Pro首日42.69分、末日57.52分、趋势+14.8、均值59、波动44.8;豆包Pro首日40.82分、末日73.17分、趋势+32.4、均值71.7、波动52.2。Claude Opus 4.7首日82.43分、末日78.09分、趋势-4.3、均值79.1、波动19.8。Qwen3 Max首日0分、末日0分、趋势0、均值0、波动0。

原因分析:代码执行与材料约束两个维度

Smoke评测主要看代码执行和材料约束两个主榜维度。GPT-5.5、GPT-6 Sol等模型首日拿到高分后一路走低,最可能的原因是在代码执行任务上一致性掉了,材料约束得分的波动又把整体趋势直接往下拽。豆包Pro和DeepSeek V4 Pro趋势往上走,可波动分别有52.2分和42.2分,说明这两个模型在代码执行上的输出不同日期差别很大,材料约束则可能时严时松。GLM-4.6的诚信评级由pass变成warn,这意味着它的回答里出现了材料引用不一致的迹象,工程判断侧榜的可信度因此受到直接影响。

这对使用者意味着什么

重代码执行的团队如果选GPT-5.5,要留意它均值73.4分、波动38.3分,7天里分数起落会让自动化脚本的输出不稳定。对材料忠实度敏感的场景,GLM-4.6诚信评级变成warn之后,开发者该加上人工校验这一步,别让引用错误越积越多。豆包Pro均值71.7分虽然接近GPT-6 Sol,但52.2分的波动意味着靠它生成长代码的开发者得备好多轮重试的办法。

战略判断

GPT-5.5与GPT-6 Sol的均值分别是73.4分和76.6分,趋势下滑幅度却是最大的,这组信号说明在当前的Smoke快测下,两者的执行一致性已经不如Grok 4和GPT-o3。DeepSeek V4 Pro与豆包Pro趋势为正,高波动值则提示稳定性维度的得分偏低,拿去短期验证可以,长期生产依赖并不合适。GLM-4.6诚信评级的变化是本周唯一的准入门槛信号,下期还得继续盯它的pass/warn状态,看是否恢复。

Claude Opus 4.7均值79.1分、波动19.8分,在下滑的模型里降幅最小,材料约束维度相对稳。Gemini 2.5 Pro与豆包Pro末日分别为57.52分和73.17分,波动一个是44.8分、一个是52.2分,上升趋势背后是高的不一致性,使用者该先去验证它们代码执行单题得分的标准差。

本周数据只覆盖7天10题的快测,Qwen3 Max一直是0分,说明它在Smoke评测里没有产生有效的执行输出。上述判断都来自首日与末日的对比以及均值和波动数值,没有引入外部版本或行业事件。


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-5.5末日54.16分:Smoke评测均值73.4波动38.3

    2026-11-16至2026-11-22 Smoke数据中,GPT-5.5趋势-38.3、GPT-6 Sol趋势-27.8等多模型下滑,豆包Pro趋势+32.4却波动52.2,DeepSeek V4 Pro波动42.2,GLM-4.6诚信评级从pass转为warn,揭示执行与材料约束维度下的稳定性分化。

    来源 AI 科技快讯
  2. OpenAI 开放 GPT-Live-1.1 API:开发者可接入实时双向语音对话

    IT之家 11 月 20 日消息,OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交

    来源 腾讯网
  3. 谷歌50天连发4款模型:Gemini 4 Neon登场,世界模型同步开放

    OpenAI时隔75天的顶级模型刚刚发布,社区里的吐槽就炸开了。有人直言新模型“几乎没法用”,有人抱怨它过分谨慎、难以指挥,还有人认为,这家伙解释起自己的工作就像在“说外星话”。甚至有人用漫画玩了个梗,吐槽GPT-6.2 Astra的语言风格,根本是防御过当。图片来源网络前·赛博义父Tibo在X上表示,他已经收到了关于

    来源 腾讯网
  4. Gemini 4 Neon发布:接入Antigravity编程解题率升至3倍多

    Carbon 向开发者开放才八天,Google 又发布了一款 Gemini 4 模型。 11 月 18 日亮相的 Gemini 4 Neon,在默认推理档追平了自家的旗舰 Carbon,开到最高档后比 high 档的 Carbon 高出 1 分,进入 Artificial Analysis 智能指数总榜前三。对于这款新

    来源 AI 行业观察
  5. 澳洲拟放宽AI版权门槛,IFPI警告全球创作者将受牵连

    最近,国际唱片业协会的负责人喊话澳洲阿尔巴尼斯政府:要是澳洲把AI版权的门槛放低,搞不好整个行业都要遭殃! 她认为,要是放开口子,让AI公司随便扒网上的音乐素材去训练模型,这绝对是一步臭棋,还会把澳洲在国际上的口碑给搞砸。 图源:豆包AI生成 澳洲如果顺着AI大厂们的意思放宽版权保护,这事非常危险。 现在全世界都盯着阿

    来源 AI 行业观察
  6. GPT-6.2 Astra解出Smoktunowicz定理:94分钟写出全球首个形式化证明

    Vals AI最新高难数学基准测试中,GPT-6.2 Astra以87.50%的准确率登顶。面对Lean公共数学库缺失的三个关键定理,Astra自主定义“容量”这一新数学工具,绕开原论文证明路线,仅用94分钟、1794行Lean代码,完成Smoktunowicz间隙定理的全球首个形式化证明。

    来源 华尔街见闻
  7. 中国开源模型的「最大甲方」有了

    作者 | 郑敏芳互联网大厂们正在成为开源大模型的新甲方。腾讯总裁刘炽平在三季度业绩电话会上透露,WorkBuddy已成为中国几乎所有开放权重模型的最大客户。这可能只是一个开始。近期,国内头部办公Agent密集调整产品策略。继腾讯WorkBuddy率先采用多模型路线后,字节跳动旗下豆包工作接连扩大第三方模型接入范围,阿里

    来源 腾讯网
  8. 全网AI集体翻车,为什么它们死活画不对13个鸡蛋?

    给你一张白纸,画13个鸡蛋,你需要多久? 一分钟?画一个数一个,画完再点一遍,大概连橡皮都用不上。 可这道题交给AI,它画了十几轮,一轮也没画对。 11月18日,“让豆包画13个鸡蛋”就这么冲上了微博热搜,话题热度当天破了百万。 从热搜里流传的截图看,经过是这样的。 “让豆包画13个鸡蛋”,这是第一轮丨微博用户@一号哨

    来源 AI 行业观察
  9. AI做PPT、搭网页居然都免费?用完豆包工作我算了下账

    就拿小雷自己来说,自从把整理资料、分析财报、制作PPT等工作交给Agent软件(WorkBuddy、豆包工作等)后,也发现随着使用次数和任务复杂度的增加,AI消耗的积分也确实不少,很多时候赠送积分已经完全不够用,需要额外开会员和充值才行。

    来源 凤凰科技
  10. GPT-o3代码执行暴跌28.3分 主榜单日下滑20.2分

    GPT-o3今日Smoke评测主榜从78.08分跌至57.92分,代码执行维度从73.80分降至45.50分,材料约束从83.30分降至73.10分。工程判断升至97.00分,诚信评级维持pass。单日10题抽样导致的波动需与模型真实退化区分。

    来源 AI 科技快讯
  11. 澳洲拟放宽AI版权门槛,国际唱片业协会警告全球创作者受冲击

    最近,国际唱片业协会的负责人喊话澳洲阿尔巴尼斯政府:要是澳洲把AI版权的门槛放低,搞不好整个行业都要遭殃!她认为,要是放开口子,让AI公司随便扒网上的音乐素材去训练模型,这绝对是一步臭棋,还会把澳洲在国际上的口碑给搞砸。图源:豆包AI生成澳洲如果顺着AI大厂们的意思放宽版权保护,这事非常危险。现在全世界都盯着阿尔巴尼斯

    来源 腾讯网
  12. Anthropic数学家称用Claude找到黎曼猜想证明,超25万页

    Anthropic数学家莱文特·阿尔珀格。图片经由AI处理文丨苏扬编辑丨徐青阳如果AI能够证明黎曼猜想,需要等到什么时候?2022年2月份,OpenAI CEO山姆·奥特曼在介绍GPT攻克数学竞赛题时,发出了类似的疑问。四年多后,这个问题最终被“解决”,只不过利用AI证明黎曼猜想的是OpenAI的“死敌”Anthrop

    来源 腾讯网
  13. OpenAI推出GPT-6.2 Sol:跑分只差Astra 0.5分,成本仅五分之一

    OpenAI推出GPT-6.2 Sol,定位为高效主力模型。它在代码和生活任务评测中逼近旗舰Astra,但成本低至五分之一。Sol支持多步Agent工作流、3D交互设计及网络安全辅助,并向Pro及以上用户开放Ultrafast模式,适合日常办公与轻量开发场景。

    来源 AI 应用前沿
向下滚动自动加载更多