首页 > 资讯 > Claude Opus 4.7以78.72分居首:2026-11-23 Smoke快测数据简报

Claude Opus 4.7以78.72分居首:2026-11-23 Smoke快测数据简报

赢政天下 2026-11-23 03:35 8 阅读 查看原文

2026-11-23 赢政指数 Smoke 快测覆盖 14 个模型,Claude Opus 4.7 以 78.72 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 Claude Opus 4.7 78.72 96 57.6 pass
#2 GPT-6.1 Sol 78.29 99.3 52.6 pass
#3 Claude Sonnet 4.6 77.9 98.6 52.6 pass
#4 GPT-6 Sol 75.27 99.3 45.9 pass
#5 GPT-5.5 66.79 74.3 57.6 pass
#6 Grok 4 66.35 77.6 52.6 warn
#7 GPT-6 Astra 64.54 74.3 52.6 pass
#8 GPT-6 Luna 64.27 96.4 25 pass
#9 豆包 Pro 62.01 73.8 47.6 pass
#10 GPT-o3 58.28 73.8 39.3 pass
#11 DeepSeek V4 Pro 56.44 50 64.3 pass
#12 GLM-4.6 56.44 50 64.3 warn
#13 Gemini 3.1 Pro 51.17 50 52.6 pass
#14 Gemini 2.5 Pro 48.16 50 45.9 pass

数据解读

今日赢政指数Smoke快测中,头部模型在代码执行与材料约束的搭配上呈现明显分化。Claude Opus 4.7以主榜78.72位居首位,其代码执行96、材料约束57.6;GPT-6.1 Sol主榜78.29,代码执行99.3、材料约束52.6;Claude Sonnet 4.6主榜77.9,代码执行98.6、材料约束52.6。这些模型代码执行分数普遍高于材料约束,形成强代码执行搭配中等材料约束的结构。GPT-6 Sol主榜75.27,代码执行99.3、材料约束45.9,同样体现这一搭配特点。

与上一同口径run相比,部分模型出现显著分数变化。Claude Sonnet 4.6主榜上升16.3分,代码执行上升50分、材料约束下降24.8分;GPT-5.5主榜上升12.6分,代码执行上升25分;GLM-4.6主榜上升12.7分,代码执行上升25分。GPT-o3主榜下降20.1分,材料约束下降47.4分;Grok 4主榜下降17.2分,代码执行下降10.9分、材料约束下降24.8分,诚信从pass转为warn;GPT-6 Luna材料约束下降36.9分;豆包Pro主榜下降11.2分;Gemini 2.5 Pro主榜下降9.4分。

异常信号包括Claude Sonnet 4.6材料约束暴跌、Grok 4主榜暴跌、GPT-6 Luna材料约束暴跌、豆包Pro主榜暴跌、GPT-o3主榜暴跌以及Gemini 2.5 Pro主榜暴跌。这些变化可能源于题目抽样波动,也可能是真实退化所致,需后续run复核确认。Smoke作为小样本单日信号,当前数据仅供参考,不构成长期判断依据。

主要变化

  • GPT-o3:主榜下降20.1分,材料约束-47.4分
  • Grok 4:主榜下降17.2分,代码执行-10.9分,材料约束-24.8分,诚信pass→warn
  • Claude Sonnet 4.6:主榜上升16.3分,代码执行+50分,材料约束-24.8分
  • GLM-4.6:主榜上升12.7分,代码执行+25分
  • GPT-5.5:主榜上升12.6分,代码执行+25分

需要关注的信号

  • Claude Sonnet 4.6:材料约束暴跌 -24.8 分
  • Grok 4:主榜暴跌 -17.2 分
  • GPT-6 Luna:材料约束暴跌 -36.9 分
  • 豆包 Pro:主榜暴跌 -11.2 分
  • GPT-o3:主榜暴跌 -20.1 分
  • Gemini 2.5 Pro:主榜暴跌 -9.4 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

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 #439 | 查看原始数据