Grok 4 拿下 83.51 分登顶:11月22日 Smoke 快测 13 款模型成绩出炉
2026-11-22 赢政指数 Smoke 快测覆盖 13 个模型,Grok 4 以 83.51 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。
2026-11-22 的赢政指数 Smoke 快测共跑了 13 个模型,
Grok 4 当天以 83.51 分排在第一。这项快测每天出 10 道题,看的是短期信号,不能跟 Full 周榜的结论画等号。
本期 Smoke 只涉及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 × 材料约束折算。每天样本量不大,所以单日分数拿来当监控信号更合适,不适合据此对模型能力下长期判断。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | Grok 4 | 83.51 | 88.5 | 77.4 | pass |
| #2 | GPT-o3 | 78.4 | 71.6 | 86.7 | pass |
| #3 | Claude Opus 4.7 | 78.09 | 99.1 | 52.4 | pass |
| #4 | 豆包 Pro | 73.17 | 73.8 | 72.4 | pass |
| #5 | GPT-6.1 Sol | 70.88 | 74.3 | 66.7 | pass |
| #6 | GPT-6 Luna | 67.13 | 71.4 | 61.9 | pass |
| #7 | GPT-6 Astra | 66.79 | 74.3 | 57.6 | pass |
| #8 | GPT-6 Sol | 64.63 | 74.3 | 52.8 | pass |
| #9 | DeepSeek V4 Pro | 62.33 | 50 | 77.4 | pass |
| #10 | Claude Sonnet 4.6 | 61.56 | 48.6 | 77.4 | pass |
| #11 | Gemini 2.5 Pro | 57.52 | 50 | 66.7 | pass |
| #12 | Gemini 3.1 Pro | 57.52 | 50 | 66.7 | pass |
| #13 | GPT-5.5 | 54.16 | 49.3 | 60.1 | pass |
数据解读
主榜前三今天的表现各有侧重。Grok 4 的代码执行是 88.5、材料约束 77.4,两项相对均衡,主榜 83.51;GPT-o3 则是材料约束更强,86.7 对 71.6,主榜 78.4;Claude Opus 4.7 代码执行做到 99.1,材料约束只有 52.4,主榜 78.09,一项突出、一项偏低。豆包 Pro 的搭配也比较均衡,主榜 73.17,代码执行 73.8,材料约束 72.4。
多个模型的分数出现明显波动。GPT-o3 的代码执行掉了 27.2 分,Claude Opus 4.7 的材料约束下滑 17.6 分,豆包 Pro 主榜跌 17.9 分、代码执行跌 25 分,GPT-6 Luna 主榜跌 13 分、代码执行跌 27.9 分,DeepSeek V4 Pro 的代码执行跌 25 分,Claude Sonnet 4.6 代码执行跌 25.2 分,Gemini 2.5 Pro 主榜跌 12.2 分、代码执行跌 25 分,Gemini 3.1 Pro 主榜跌 15.2 分。
这些变化有可能只是题目抽样带来的波动,也可能是模型真的退化了,得靠后续 run 复核才能确认。GLM-4.6 和 Qwen3 Max 因为 API 故障,数据不完整,本期排名里没有它们。说到底,Smoke 快测只是小样本的单日信号,上面这些观察反映的是当天数据,不做长期推断。
主要变化
- 豆包 Pro:主榜降了 17.9 分,代码执行 -25 分,材料约束 -9.3 分
- Gemini 3.1 Pro:主榜下降 15.2 分,代码执行 -25 分
- GPT-6 Luna:主榜降 13 分,代码执行 -27.9 分,材料约束 +5.2 分
- Gemini 2.5 Pro:主榜下滑 12.2 分,代码执行 -25 分
- Claude Sonnet 4.6:主榜跌 7.5 分,代码执行 -25.2 分,材料约束 +14.1 分
需要关注的信号
- GPT-o3:代码执行暴跌 -27.2 分
- Claude Opus 4.7:材料约束暴跌 -17.6 分
- 豆包 Pro:主榜暴跌 -17.9 分
- GPT-6 Luna:主榜暴跌 -13 分
- DeepSeek V4 Pro:代码执行暴跌 -25 分
- Claude Sonnet 4.6:代码执行暴跌 -25.2 分
- Gemini 2.5 Pro:主榜暴跌 -12.2 分
- Gemini 3.1 Pro:主榜暴跌 -15.2 分
- GLM-4.6:数据不完整(缺 integrity、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,两个问题最该盯:一是某个模型有没有连续多日栽在同一类弱点上;二是诚信评级有没有从 pass 掉进 warn 或 fail。单日执行或约束分数大幅起落,可能来自题目抽样,也可能是真实退化的早期信号,要等后续 run 复核。