首页 > 资讯 > Grok 4以83.51分居首:2026-11-22 Smoke快测数据简报

Grok 4以83.51分居首:2026-11-22 Smoke快测数据简报

赢政天下 2026-11-22 03:35 6 阅读 查看原文

2026-11-22 赢政指数 Smoke 快测覆盖 13 个模型,Grok 4 以 83.51 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。

本次 Smoke 评测只覆盖代码执行和材料约束两个主榜维度,主榜公式为 0.55 × 代码执行 + 0.45 × 材料约束。由于每日样本量较小,单日分数更适合作为监控信号,而不是对模型能力做长期定论。

当日排名

排名 模型 主榜 代码执行 材料约束 诚信
#1 Grok 4 83.51 88.5 77.4 pass
#2 GPT-o3 78.4 71.6 86.7 pass
#3 Claude Opus 4.7 78.09 99.1 52.4 pass
#4 豆包 Pro 73.17 73.8 72.4 pass
#5 GPT-6.1 Sol 70.88 74.3 66.7 pass
#6 GPT-6 Luna 67.13 71.4 61.9 pass
#7 GPT-6 Astra 66.79 74.3 57.6 pass
#8 GPT-6 Sol 64.63 74.3 52.8 pass
#9 DeepSeek V4 Pro 62.33 50 77.4 pass
#10 Claude Sonnet 4.6 61.56 48.6 77.4 pass
#11 Gemini 2.5 Pro 57.52 50 66.7 pass
#12 Gemini 3.1 Pro 57.52 50 66.7 pass
#13 GPT-5.5 54.16 49.3 60.1 pass

数据解读

今日主榜前三模型在代码执行与材料约束的搭配上呈现不同特征。Grok 4以代码执行88.5、材料约束77.4取得主榜83.51,两种能力相对均衡;GPT-o3代码执行71.6、材料约束86.7,主榜78.4,材料约束相对更强;Claude Opus 4.7代码执行99.1、材料约束52.4,主榜78.09,代码执行突出但材料约束偏低。豆包 Pro主榜73.17、代码执行73.8、材料约束72.4,搭配较为均衡。

多模型出现明显分数异动。GPT-o3代码执行暴跌-27.2分,Claude Opus 4.7材料约束暴跌-17.6分,豆包 Pro主榜暴跌-17.9分、代码执行-25分,GPT-6 Luna主榜暴跌-13分、代码执行-27.9分,DeepSeek V4 Pro代码执行暴跌-25分,Claude Sonnet 4.6代码执行暴跌-25.2分,Gemini 2.5 Pro主榜暴跌-12.2分、代码执行-25分,Gemini 3.1 Pro主榜暴跌-15.2分。这些变化可能源于题目抽样波动,也可能是真实退化,需后续run复核确认。GLM-4.6与Qwen3 Max因API故障数据不完整,未参与本期排名。

Smoke快测为小样本单日信号,以上观察仅反映当日数据表现,不做长期推断。

主要变化

  • 豆包 Pro:主榜下降17.9分,代码执行-25分,材料约束-9.3分
  • Gemini 3.1 Pro:主榜下降15.2分,代码执行-25分
  • GPT-6 Luna:主榜下降13分,代码执行-27.9分,材料约束+5.2分
  • Gemini 2.5 Pro:主榜下降12.2分,代码执行-25分
  • Claude Sonnet 4.6:主榜下降7.5分,代码执行-25.2分,材料约束+14.1分

需要关注的信号

  • GPT-o3:代码执行暴跌 -27.2 分
  • Claude Opus 4.7:材料约束暴跌 -17.6 分
  • 豆包 Pro:主榜暴跌 -17.9 分
  • GPT-6 Luna:主榜暴跌 -13 分
  • DeepSeek V4 Pro:代码执行暴跌 -25 分
  • Claude Sonnet 4.6:代码执行暴跌 -25.2 分
  • Gemini 2.5 Pro:主榜暴跌 -12.2 分
  • Gemini 3.1 Pro:主榜暴跌 -15.2 分
  • GLM-4.6:数据不完整(缺 integrity,communication 维度,API 故障/超时),已进入自动补跑,本期不参与排名
  • 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

读这类 Smoke 简报时,重点应放在两个问题上:第一,某个模型是否连续多日暴露同一类弱点;第二,诚信评级是否从 pass 进入 warn 或 fail。单日执行或约束分数的大幅变化,可能来自题目抽样,也可能是真实退化的早期信号,需要后续 run 复核。


数据来源:赢政指数 (YZ Index) | Run #438 | 查看原始数据