GPT-6 Astra Smoke快测93.05分登顶：代码执行99.8、材料约束84.8
2026-11-07 赢政指数 Smoke 快测覆盖 14 个模型，GPT-6 Astra 以 93.05 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。
2026-11-07 的赢政指数 Smoke 快测覆盖了 14 个模型，
GPT-6 Astra 拿到 93.05 分，排在当日第一。Smoke 是每天 10 题的快测，用来观察短期信号，和 Full 周榜的结论不是一回事。
这次 Smoke 只看代码执行和材料约束两个主榜维度，主榜公式是 0.55 × 代码执行 + 0.45 × 材料约束。每天样本量不大，所以单日分数更适合当成监控信号，不适合据此对模型能力下长期定论。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-6 Astra | 93.05 | 99.8 | 84.8 | pass |
| #2 | GPT-6 Luna | 86.98 | 99.8 | 71.3 | pass |
| #3 | GPT-6 Sol | 86.17 | 99.8 | 69.5 | pass |
| #4 | GPT-6.1 Sol | 86.17 | 99.8 | 69.5 | pass |
| #5 | GPT-o3 | 82.92 | 91.6 | 72.3 | pass |
| #6 | GPT-5.5 | 82.48 | 99.8 | 61.3 | pass |
| #7 | 豆包 Pro | 79.57 | 96.8 | 58.5 | pass |
| #8 | Gemini 3.1 Pro | 79.28 | 75 | 84.5 | pass |
| #9 | Claude Opus 4.7 | 78.91 | 70 | 89.8 | pass |
| #10 | Claude Sonnet 4.6 | 75.8 | 89.3 | 59.3 | pass |
| #11 | Grok 4 | 72.8 | 71.4 | 74.5 | pass |
| #12 | Gemini 2.5 Pro | 64.31 | 50 | 81.8 | pass |
| #13 | GLM-4.6 | 64.31 | 50 | 81.8 | pass |
| #14 | DeepSeek V4 Pro | 63.28 | 50 | 79.5 | pass |
数据解读
今日快测里，GPT-6 Astra 主榜 93.05 领先，代码执行 99.8、材料约束 84.8，两项都强，优势很明显。GPT-6 Luna 和 GPT-6 Sol 的代码执行同为 99.8，材料约束分别是 71.3 和 69.5，主榜分别为 86.98 和 86.17。Claude Opus 4.7 的材料约束有 89.8，但代码执行只有 70，主榜 78.91，结构上是材料约束强、代码执行偏弱。Gemini 3.1 Pro 代码执行 75、材料约束 84.5，主榜 79.28，排名同样靠材料约束撑着。
和上次相比，GPT-6 Luna 主榜涨了 22.9 分，代码执行多了 49.8 分、材料约束掉了 10.1 分；GPT-6 Sol 主榜升 18.1 分，代码执行增加 30.3 分；GLM-4.6 主榜升 15.7 分，代码执行增加 30.5 分；GPT-o3 主榜升 15.1 分，代码执行增加 22.1 分、材料约束增加 6.6 分；GPT-6 Astra 主榜升 13.8 分，材料约束增加 24.1 分。这些异动可能来自单日题目的抽样波动，是否真变化，还得靠后续 run 复核。
异常信号这边，GPT-5.5 材料约束下降 18 分，豆包 Pro 主榜下降 8 分，Gemini 2.5 Pro 主榜下降 9.5 分，DeepSeek V4 Pro 主榜下降 10.2 分。Qwen3 Max 数据不完整，没有参与排名。Smoke 是小样本的单日信号，上面这些波动要多次 run 验证稳定性，不能拿来做长期判断。
主要变化
- GPT-6 Luna：主榜上升22.9分，代码执行+49.8分，材料约束-10.1分
- GPT-6 Sol：主榜上升18.1分，代码执行+30.3分
- GLM-4.6：主榜上升15.7分，代码执行+30.5分
- GPT-o3：主榜上升15.1分，代码执行+22.1分，材料约束+6.6分，诚信warn→pass
- GPT-6 Astra：主榜上升13.8分，代码执行+5.3分，材料约束+24.1分
需要关注的信号
- GPT-5.5：材料约束暴跌 -18 分
- 豆包 Pro：主榜暴跌 -8 分
- Gemini 2.5 Pro：主榜暴跌 -9.5 分
- DeepSeek V4 Pro：主榜暴跌 -10.2 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
看这类 Smoke 简报，重点就两个问题：一是某个模型有没有连续多日暴露同一类弱点；二是诚信评级有没有从 pass 掉到 warn 或 fail。单日执行或约束分数大幅变化，可能是题目抽样造成的，也可能是真实退化的早期信号，需要后续 run 复核。
