Gemini 2.5 Pro在今日Smoke评测中，代码执行得分从74.60分降至50.00分，降幅24.6分，主榜整体从76.49分下滑至69.98分。
得分变化细节
材料约束得分从78.80分升至94.40分，增幅15.6分。工程判断从75.00分升至88.90分，增幅13.9分。任务表达从51.70分微降至50.00分。诚信评级维持pass。
波动成因分析
Smoke评测每日仅2题/维度，样本量极小。代码执行维度2题中若出现1题完全失分，即可导致约25分级别的单日波动。今日50.00分恰好对应2题均未达标的最低区间，符合随机抽签导致的极端结果。
材料约束同时提升15.6分，显示模型在另2题材料忠实度任务中表现更优。两个维度反向变化，指向题目内容差异而非模型参数级退化。工程判断同步上升13.9分，进一步支持抽签波动解释。
对使用者的含义
重度依赖代码执行的团队，今日需对Gemini 2.5 Pro生成结果增加人工校验环节，尤其涉及多步推理或API调用的场景。材料约束得分94.40分，表明在需要严格遵循输入文档的任务中，该模型仍保持较高可用性。
开发者在选型时，应将代码执行50.00分视为单日极端值，而非新基准。连续多日观察同一维度得分标准差，才能判断真实稳定性。
战略判断
基于现有对比数据，Gemini 2.5 Pro代码执行能力更可能因题目抽签出现暂时性低谷，而非模型真实退化。主榜69.98分已低于昨日，但材料约束与工程判断的同步提升，显示整体能力分布仍处于正常区间。
下一期评测需重点验证代码执行是否回升至70分以上。若连续两日维持50分附近，则需进一步排查是否出现系统性问题。目前信号仅提示关注，不构成下调长期评估的依据。
数据来源：赢政指数 (YZ Index) | Run #238 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接