GPT-6 Sol与GPT-o3并列92.49分：11月9日Smoke快测13款模型数据一览
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同以92.49分排在当日第一。Smoke是每天10道题的快测，用来捕捉短期信号，不能当成Full周榜的结论。
这一期Smoke只评代码执行和材料约束两个主榜维度，主榜算法是0.55乘代码执行加上0.45乘材料约束。每天题量小，单日分数当监控信号看更合适，拿它对模型能力下长期判断并不稳妥。
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
从今天的成绩看，GPT-6 Sol和GPT-o3主榜都是92.49分，代码执行双双拿到100，材料约束同为83.3，靠这套组合排在前列。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代码执行100、材料约束80，主榜91分。头部几款模型大体是代码执行强、材料约束各有高低。
涨得最猛的是Gemini 2.5 Pro，主榜比上次多30.5分，代码执行多了55分；GPT-o3主榜涨29.1分，代码执行涨55.6分，诚信评级从warn变成pass；豆包 Pro主榜涨23.9分，代码执行涨46.7分；Claude Opus 4.7主榜涨23.4分，代码执行涨49分，材料约束却掉了7.8分。这些变化大的模型，异动基本都出在代码执行上。
GLM-4.6和Qwen3 Max碰上API故障，数据不完整，没进排名，这可能是抽样波动，也可能是真的退步，要等后面补跑确认。Smoke本来就是小样本的单日信号，分数怎么变，解读时还是收着点。
主要变化
- Gemini 2.5 Pro：主榜涨30.5分，代码执行+55分
- GPT-o3：主榜涨29.1分，代码执行+55.6分，诚信warn→pass
- 豆包 Pro：主榜涨23.9分，代码执行+46.7分，诚信warn→pass
- Claude Opus 4.7：主榜涨23.4分，代码执行+49分，材料约束-7.8分
- Gemini 3.1 Pro：主榜涨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
看这类Smoke简报，盯住两件事就够了：一是某个模型有没有连着几天栽在同一类弱点上；二是诚信评级有没有从pass滑到warn甚至fail。单日执行分或约束分大起大落，可能是抽题碰巧，也可能是退步的头一个信号，得靠后续run复核。
