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
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。
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。