GPT-5.5末日54.16分:Smoke评测均值73.4波动38.3

资讯 AI 科技快讯 作者:赢政天下 全文 1702 字 · 约 5 分钟读完 配图 2 张 分类豆包GPTGPT-5.5OpenAI字节跳动Deepseek

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。

所属频道 大厂动态ChatGPT 与 GPT国产大模型

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。


本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 谷歌50天连发4款模型:Gemini 4 Neon登场,世界模型同步开放

    OpenAI时隔75天的顶级模型刚刚发布,社区里的吐槽就炸开了。有人直言新模型“几乎没法用”,有人抱怨它过分谨慎、难以指挥,还有人认为,这家伙解释起自己的工作就像在“说外星话”。甚至有人用漫画玩了个梗,吐槽GPT-6.2 Astra的语言风格,根本是防御过当。图片来源网络前·赛博义父Tibo在X上表示,他已经收到了关于

    来源 腾讯网
  2. 中国开源模型的「最大甲方」有了

    作者 | 郑敏芳互联网大厂们正在成为开源大模型的新甲方。腾讯总裁刘炽平在三季度业绩电话会上透露,WorkBuddy已成为中国几乎所有开放权重模型的最大客户。这可能只是一个开始。近期,国内头部办公Agent密集调整产品策略。继腾讯WorkBuddy率先采用多模型路线后,字节跳动旗下豆包工作接连扩大第三方模型接入范围,阿里

    来源 腾讯网
  3. GPT-6.2 Astra解出Smoktunowicz定理:94分钟写出全球首个形式化证明

    Vals AI最新高难数学基准测试中,GPT-6.2 Astra以87.50%的准确率登顶。面对Lean公共数学库缺失的三个关键定理,Astra自主定义“容量”这一新数学工具,绕开原论文证明路线,仅用94分钟、1794行Lean代码,完成Smoktunowicz间隙定理的全球首个形式化证明。

    来源 华尔街见闻
  4. GPT-o3代码执行暴跌28.3分 主榜单日下滑20.2分

    GPT-o3今日Smoke评测主榜从78.08分跌至57.92分,代码执行维度从73.80分降至45.50分,材料约束从83.30分降至73.10分。工程判断升至97.00分,诚信评级维持pass。单日10题抽样导致的波动需与模型真实退化区分。

    来源 AI 科技快讯
  5. Gemini 4 Neon发布:接入Antigravity编程解题率升至3倍多

    Carbon 向开发者开放才八天,Google 又发布了一款 Gemini 4 模型。 11 月 18 日亮相的 Gemini 4 Neon,在默认推理档追平了自家的旗舰 Carbon,开到最高档后比 high 档的 Carbon 高出 1 分,进入 Artificial Analysis 智能指数总榜前三。对于这款新

    来源 AI 行业观察
  6. AI做PPT、搭网页居然都免费?用完豆包工作我算了下账

    就拿小雷自己来说,自从把整理资料、分析财报、制作PPT等工作交给Agent软件(WorkBuddy、豆包工作等)后,也发现随着使用次数和任务复杂度的增加,AI消耗的积分也确实不少,很多时候赠送积分已经完全不够用,需要额外开会员和充值才行。

    来源 凤凰科技
  7. 澳洲拟放宽AI版权门槛,IFPI警告全球创作者将受牵连

    最近,国际唱片业协会的负责人喊话澳洲阿尔巴尼斯政府:要是澳洲把AI版权的门槛放低,搞不好整个行业都要遭殃! 她认为,要是放开口子,让AI公司随便扒网上的音乐素材去训练模型,这绝对是一步臭棋,还会把澳洲在国际上的口碑给搞砸。 图源:豆包AI生成 澳洲如果顺着AI大厂们的意思放宽版权保护,这事非常危险。 现在全世界都盯着阿

    来源 AI 行业观察
  8. 澳洲拟放宽AI版权门槛,国际唱片业协会警告全球创作者受冲击

    最近,国际唱片业协会的负责人喊话澳洲阿尔巴尼斯政府:要是澳洲把AI版权的门槛放低,搞不好整个行业都要遭殃!她认为,要是放开口子,让AI公司随便扒网上的音乐素材去训练模型,这绝对是一步臭棋,还会把澳洲在国际上的口碑给搞砸。图源:豆包AI生成澳洲如果顺着AI大厂们的意思放宽版权保护,这事非常危险。现在全世界都盯着阿尔巴尼斯

    来源 腾讯网
  9. OpenAI推出GPT-6.2 Sol:跑分只差Astra 0.5分,成本仅五分之一

    OpenAI推出GPT-6.2 Sol,定位为高效主力模型。它在代码和生活任务评测中逼近旗舰Astra,但成本低至五分之一。Sol支持多步Agent工作流、3D交互设计及网络安全辅助,并向Pro及以上用户开放Ultrafast模式,适合日常办公与轻量开发场景。

    来源 AI 应用前沿
  10. Anthropic数学家称用Claude找到黎曼猜想证明,超25万页

    Anthropic数学家莱文特·阿尔珀格。图片经由AI处理文丨苏扬编辑丨徐青阳如果AI能够证明黎曼猜想,需要等到什么时候?2022年2月份,OpenAI CEO山姆·奥特曼在介绍GPT攻克数学竞赛题时,发出了类似的疑问。四年多后,这个问题最终被“解决”,只不过利用AI证明黎曼猜想的是OpenAI的“死敌”Anthrop

    来源 腾讯网
向下滚动自动加载更多