2026-11-06 的赢政指数 Smoke 快测共测了 13 个模型，豆包 Pro 拿到 87.6 分，排在当天第一。Smoke 属于每天 10 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 只涉及代码执行、材料约束两个主榜维度，主榜按 0.55 × 代码执行 + 0.45 × 材料约束算分。每日样本量偏小，所以单日分数更像一条监控信号，不宜拿来给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豆包 Pro87.690.384.3pass
#2Claude Opus 4.780.6669.594.3pass
#3Gemini 3.1 Pro79.6974.286.4pass
#4GPT-6 Astra79.2994.560.7pass
#5GPT-6.1 Sol79.2994.560.7pass
#6Grok 474.268264.8pass
#7GPT-5.573.9169.579.3pass
#8Gemini 2.5 Pro73.8565.384.3pass
#9DeepSeek V4 Pro73.4669.578.3pass
#10Claude Sonnet 4.669.768254.8pass
#11GPT-6 Sol68.1169.566.4pass
#12GPT-o367.7969.565.7warn
#13GPT-6 Luna64.135081.4pass

主要变化

  • Claude Opus 4.7：主榜涨 29.6 分，代码执行+50.1分
  • GPT-5.5：主榜涨 19.8 分，代码执行+44.5分，材料约束-10.5分
  • 豆包 Pro：主榜涨 17.4 分，代码执行+40.3分，材料约束-10.5分
  • Gemini 2.5 Pro：主榜涨 16.2 分，代码执行+34分，材料约束-5.5分
  • GPT-o3：主榜涨 13.6 分，代码执行+44.5分，材料约束-24.1分，诚信评级由 pass 变为 warn

几个值得盯住的信号

  • GPT-6 Astra：材料约束大幅下滑 -29.1 分
  • GPT-6.1 Sol：材料约束大幅下滑 -29.1 分
  • Grok 4：材料约束大幅下滑 -25 分
  • Claude Sonnet 4.6：材料约束大幅下滑 -38 分
  • GPT-o3：材料约束大幅下滑 -24.1 分
  • GLM-4.6 的数据不完整，缺 grounding、communication 两个维度，原因是 API 故障或超时，目前已经自动补跑，这一期不参加排名。
  • Qwen3 Max 同样数据不完整，缺 execution、grounding、judgment、integrity、communication 五个维度，也是 API 故障或超时所致，已进入自动补跑，本期不参与排名。

看这类 Smoke 简报，真正要问的是两件事：某个模型有没有连着好几天在同一类弱点上栽跟头；诚信评级有没有从 pass 掉到 warn 甚至 fail。单日执行分或约束分的大幅起落，可能只是题目抽样造成的，也可能是真实退化的早期迹象，得等后续 run 再核对。