GPT-5.5末日54.16分:Smoke评测均值73.4波动38.3
2026-11-16至2026-11-22 Smoke数据中,GPT-5.5趋势-38.3、GPT-6 Sol趋势-27.8等多模型下滑,豆包Pro趋势+32.4却波动52.2,DeepSeek V4 Pro波动42.2,GLM-4.6诚信评级从pass转为warn,揭示执行与材料约束维度下的稳定性分化。
2026-11-16至2026-11-22的Smoke评测数据里,
GPT-5.5首日92.44分,末日只剩54.16分,趋势下降38.3分,均值73.4分,波动38.3分。
核心下滑模型数据事实
下滑阵营中,GPT-5.5首日92.44分、末日54.16分、趋势-38.3、均值73.4、波动38.3;GPT-6 Sol首日92.44分、末日64.63分、趋势-27.8、均值76.6、波动27.8;GPT-6 Luna首日88.75分、末日67.13分、趋势-21.6、均值74.6、波动32.8。
GPT-6 Astra首日78.69分、末日66.79分、趋势-11.9、均值75.1、波动26.3;GPT-6.1 Sol首日78.69分、末日70.88分、趋势-7.8、均值75.2、波动25.3;Claude Sonnet 4.6首日70.74分、末日61.56分、趋势-9.2、均值69.3、波动15.9;GLM-4.6首日51.19分、末日43.77分、趋势-7.4、均值53.1、波动28.2。
上升模型与波动对比
走高的模型有:Grok 4首日81.99分、末日83.51分、趋势+1.5、均值72、波动34.8;GPT-o3首日68.46分、末日78.4分、趋势+9.9、均值71.2、波动20.5;Gemini 3.1 Pro首日53.69分、末日57.52分、趋势+3.8、均值60.3、波动19.1;DeepSeek V4 Pro首日51.19分、末日62.33分、趋势+11.1、均值58.3、波动42.2。
Gemini 2.5 Pro首日42.69分、末日57.52分、趋势+14.8、均值59、波动44.8;
豆包Pro首日40.82分、末日73.17分、趋势+32.4、均值71.7、波动52.2。另有Claude Opus 4.7首日82.43分、末日78.09分、趋势-4.3、均值79.1、波动19.8;Qwen3 Max首日0分、末日0分、趋势0、均值0、波动0。
成因分析:执行与材料约束维度
Smoke评测盯的是代码执行和材料约束两个主榜维度。GPT-5.5、GPT-6 Sol这些模型首日拿高分后一路走低,最可能是代码执行任务里一致性掉了,材料约束得分起伏又把整体趋势往下拽。豆包Pro和DeepSeek V4 Pro趋势向上,波动却分别有52.2分和42.2分,说明两者代码执行输出在不同日期差别明显,材料约束也可能时紧时松。
GLM-4.6的诚信评级从pass变成warn,意味着它的回答里出现了材料引用不一致的迹象,工程判断侧榜的可信度因此受到直接影响。
对使用者的含义
主打代码执行的团队若选GPT-5.5,要留意它均值73.4分、波动38.3分,连续7天里分数起落会让自动化脚本输出不稳。对材料忠实度敏感的场景,GLM-4.6诚信评级转为warn之后,开发者该加上人工校验环节,别让引用错误越积越多。豆包Pro均值71.7分虽与GPT-6 Sol接近,52.2分的波动意味着靠它生成长代码的开发者得备好多轮重试。
战略判断
GPT-5.5与GPT-6 Sol均值分别为73.4分和76.6分,趋势下滑却是最大的,这说明在本周Smoke快测下,两者的执行一致性已不如Grok 4和GPT-o3。DeepSeek V4 Pro、豆包Pro趋势为正,高波动值却提示稳定性维度得分偏低,拿来短期验证可以,长期生产依赖不合适。本周唯一的准入门槛信号是GLM-4.6诚信评级的变化,下期还得盯它的pass/warn状态,看是否恢复。
Claude Opus 4.7均值79.1分、波动19.8分,在下滑模型里降幅最小,材料约束维度相对稳。Gemini 2.5 Pro与豆包Pro末日分别为57.52分和73.17分,波动各是44.8分和52.2分,上升趋势伴随着高不一致性,使用者最好先验证它们代码执行单题得分的标准差。
本周数据只覆盖7天10题快测,Qwen3 Max始终0分,说明它在Smoke评测中没有产出有效执行结果。上述判断全部来自首日与末日的对比以及均值和波动数值,没有引入外部版本或行业事件。