GPT-5.5与GPT-6 Sol同取92.44分：11月16日Smoke快测谁在掉分
2026-11-16 赢政指数 Smoke 快测覆盖 14 个模型，GPT-5.5 与 GPT-6 Sol 以 92.44 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。
2026-11-16的赢政指数Smoke快测跑了14个模型，
GPT-5.5和GPT-6 Sol同以92.44分排在当天第一。Smoke是每天10道题的快测，用来捕捉短期信号，跟Full周榜的结论不是一回事。
这次Smoke只看了代码执行和材料约束两个主榜维度，主榜算法是0.55×代码执行加0.45×材料约束。每天题量小，单日分数当监控信号看更合适，拿它给模型能力下长期判断并不靠谱。
当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | GPT-5.5 | 92.44 | 95 | 89.3 | pass |
| #2 | GPT-6 Sol | 92.44 | 95 | 89.3 | pass |
| #3 | GPT-6 Luna | 88.75 | 88.3 | 89.3 | pass |
| #4 | Claude Opus 4.7 | 82.43 | 76.8 | 89.3 | pass |
| #5 | Grok 4 | 81.99 | 76 | 89.3 | pass |
| #6 | GPT-6 Astra | 78.69 | 70 | 89.3 | pass |
| #7 | GPT-6.1 Sol | 78.69 | 70 | 89.3 | pass |
| #8 | Claude Sonnet 4.6 | 70.74 | 76 | 64.3 | pass |
| #9 | GPT-o3 | 68.46 | 51.4 | 89.3 | pass |
| #10 | Gemini 3.1 Pro | 53.69 | 45 | 64.3 | pass |
| #11 | DeepSeek V4 Pro | 51.19 | 20 | 89.3 | pass |
| #12 | GLM-4.6 | 51.19 | 20 | 89.3 | pass |
| #13 | Gemini 2.5 Pro | 42.69 | 25 | 64.3 | pass |
| #14 | 豆包 Pro | 40.82 | 21.6 | 64.3 | pass |
数据解读
当天的主榜上，GPT-5.5和GPT-6 Sol并列92.44分，两项拆开看，代码执行都是95、材料约束都是89.3，两头都不弱。GPT-6 Luna主榜88.75分，代码执行88.3、材料约束89.3，也是靠材料约束撑住了位置。再往下，Claude Opus 4.7主榜82.43分，代码执行76.8、材料约束89.3；Grok 4主榜81.99分，代码执行76、材料约束89.3。排在后面的模型大多呈现同一个样子：代码执行往下走，材料约束停在89.3。
下滑幅度较大的几个里，GPT-o3主榜掉了25.9分、代码执行掉了47分；豆包Pro主榜掉24.6分，代码执行降24.2分，材料约束降25分；Claude Sonnet 4.6主榜掉24.5分，代码执行降24分，材料约束降25分。这些异常有可能只是题目抽样带来的波动，也可能是真的退化了，得靠后续run复核。另外，GPT-6 Astra的代码执行跌了27.3分，GPT-6.1 Sol的代码执行同样跌27.3分，Gemini 3.1 Pro材料约束跌25分，Gemini 2.5 Pro主榜降8.9分，这几个也要多跑几轮，才能分清是波动还是退化。
Smoke本身就是小样本的单日信号，解读时还是收着点，没有对长期表现下结论。
主要变化
- GPT-o3：主榜下降25.9分，代码执行-47分
- 豆包 Pro：主榜下降24.6分，代码执行-24.2分，材料约束-25分
- Claude Sonnet 4.6：主榜下降24.5分，代码执行-24分，材料约束-25分
- Gemini 2.5 Pro：主榜下降8.9分，材料约束-25分
- GPT-6 Luna：主榜下降6.4分，代码执行-11.7分
需要关注的信号
- GPT-6 Astra：代码执行暴跌 -27.3 分
- GPT-6.1 Sol：代码执行暴跌 -27.3 分
- Claude Sonnet 4.6：主榜暴跌 -24.5 分
- GPT-o3：主榜暴跌 -25.9 分
- Gemini 3.1 Pro：材料约束暴跌 -25 分
- Gemini 2.5 Pro：主榜暴跌 -8.9 分
- 豆包 Pro：主榜暴跌 -24.6 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
看这种Smoke简报，盯两件事就够了：一是某个模型有没有连着几天暴露同一类短板；二是诚信评级有没有从pass滑到warn或者fail。单日执行或约束分数大幅变动，可能出在题目抽样上，也可能是真退化的早期迹象，要靠后面的run去复核。
