豆包Pro拿下93.01分:2026-11-20 Smoke快测,头部模型强弱分化明显
2026-11-20 赢政指数 Smoke 快测覆盖 14 个模型,豆包 Pro 以 93.01 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。
2026-11-20 的赢政指数 Smoke 快测一共跑了 14 个模型,
豆包 Pro 以 93.01 分排在当天第一。Smoke 每天出 10 道题做快测,看短期信号比较合适,跟 Full 周榜的结论不是一回事。
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,单日分数拿来当监控信号更靠谱,要说成对模型能力的长期定论就过了。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | 豆包 Pro | 93.01 | 98.5 | 86.3 | pass |
| #2 | Claude Opus 4.7 | 92.16 | 94.5 | 89.3 | pass |
| #3 | GPT-6 Astra | 88.93 | 96.8 | 79.3 | pass |
| #4 | Gemini 2.5 Pro | 80.09 | 75 | 86.3 | pass |
| #5 | GPT-6 Sol | 77.29 | 71.8 | 84 | pass |
| #6 | Grok 4 | 74.49 | 66.7 | 84 | pass |
| #7 | GPT-6.1 Sol | 72.79 | 71.8 | 74 | pass |
| #8 | GPT-5.5 | 72.39 | 71.8 | 73.1 | pass |
| #9 | Claude Sonnet 4.6 | 71.89 | 70.9 | 73.1 | pass |
| #10 | GLM-4.6 | 64.69 | 47 | 86.3 | pass |
| #11 | DeepSeek V4 Pro | 59.15 | 47 | 74 | pass |
| #12 | GPT-o3 | 57.92 | 45.5 | 73.1 | pass |
| #13 | GPT-6 Luna | 55.94 | 44.6 | 69.8 | pass |
| #14 | Gemini 3.1 Pro | 55.06 | 29.5 | 86.3 | pass |
数据解读
当天快测里,豆包 Pro 代码执行 98.5、材料约束 86.3,主榜合出 93.01;Claude Opus 4.7 材料约束 89.3,两项更均衡,主榜 92.16;GPT-6 Astra 代码执行 96.8,但材料约束只有 79.3,主榜 88.93。Gemini 2.5 Pro 材料约束 86.3、代码执行 75,主榜 80.09;GPT-6 Sol 代码执行 71.8、材料约束 84,主榜 77.29。头部这几家在代码执行和材料约束上各有偏重,搭配方式并不相同。
波动方面,Gemini 2.5 Pro 主榜 +42.3 分、代码执行 +75 分;GPT-6 Astra 主榜 +24.1 分、代码执行 +47.5 分;Grok 4 主榜 +24.1 分、代码执行 +43.2 分;豆包 Pro 主榜 +21.2 分、代码执行 +49.7 分、材料约束 -13.7 分。GPT-o3 则是主榜 -20.2 分、代码执行 -28.3 分、材料约束 -10.2 分。这些起落可能只是题目抽样带来的,还得等后续 run 复核才能确认。
异常信号有几处:Claude Sonnet 4.6 材料约束暴跌 -15.2 分,GPT-o3 主榜暴跌 -20.2 分,GPT-6 Luna 材料约束暴跌 -25.2 分,Gemini 3.1 Pro 主榜暴跌 -13.7 分。Qwen3 Max 因为数据不完整,没进排名。Smoke 本来就是小样本的单日信号,上面这些观察要谨慎看。
主要变化
- Gemini 2.5 Pro:主榜升 42.3 分,代码执行 +75 分
- GPT-6 Astra:主榜升 24.1 分,代码执行 +47.5 分
- Grok 4:主榜升 24.1 分,代码执行 +43.2 分
- 豆包 Pro:主榜升 21.2 分,代码执行 +49.7 分,材料约束 -13.7 分
- GPT-o3:主榜降 20.2 分,代码执行 -28.3 分,材料约束 -10.2 分
需要关注的信号
- Claude Sonnet 4.6:材料约束暴跌 -15.2 分
- GPT-o3:主榜暴跌 -20.2 分
- GPT-6 Luna:材料约束暴跌 -25.2 分
- Gemini 3.1 Pro:主榜暴跌 -13.7 分
- 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 Smoke 这类简报,重点其实只有两条:某个模型是否连着好几天栽在同一类弱点上,诚信评级有没有从 pass 滑到 warn 或 fail。至于单日执行、约束分数出现大起大落,既可能是题目抽样带来的波动,也可能是性能真在下滑的早期迹象,得靠后续 run 再验证。