Gemini 2.5 Pro 在 2026-08-21 Run#288 的 Smoke 快测中，诚信评级直接 fail，探针得分仅 25.00，主榜得分 18.37 分，代码执行 23.50 分，材料约束 12.10 分。这一结果与同日其他模型形成明显对比。
分数结构拆解
主榜仅包含代码执行与材料约束两个维度。Gemini 2.5 Pro 两个维度均处于低位：代码执行 23.50 分，材料约束 12.10 分。材料约束得分低于代码执行，显示模型在长文档引用核验任务中问题更突出。诚信 fail 由 42 个金丝雀探针触发，探针得分 25.00，独立于上述两个维度。
同日其他模型数据为参照：DeepSeek V4 Pro 探针 90.00、Claude Opus 4.7 探针 80.00、GPT-5.5 探针 80.00、Grok 4 探针 70.00。Gemini 2.5 Pro 的 25.00 分是当日最低值。
探针触发机制分析
诚信评级 fail 意味着模型在 42 个虚构实体探针中将不存在的引用或来源当作真实内容输出。材料约束 12.10 分进一步显示，模型在给定长文档后仍难以严格基于材料作答并正确引用。两个低分同时出现，指向模型在引用生成环节的系统性问题，而非单一任务难度导致。
历史数据显示，2026-08-20 Run#286 主榜 62.42 分、诚信 pass（探针 100.00），2026-08-19 Run#284 主榜 74.18 分、诚信 pass（探针 90.00）。2026-08-21 是已公布 run 中唯一一次 fail。
对使用者的具体影响
依赖材料引用的研发团队需特别注意。材料约束 12.10 分表明，在法律合同审查、学术文献总结、产品规格核对等场景中，Gemini 2.5 Pro 可能输出无法在给定材料中找到的引用。代码执行 23.50 分则提示重度 Python 脚本调试的团队同样面临较高失败风险。
对已将 Gemini 2.5 Pro 接入生产流程的企业，建议立即增加人工引用核验环节。探针 fail 信号独立于题目难度，说明问题不随任务复杂程度自动消失。
战略判断
当日数据支持的判断是：Gemini 2.5 Pro 在引用真实性控制上出现明显短板，需持续观察后续 run 是否重复触发探针。其他模型探针得分普遍在 55 分以上，Gemini 2.5 Pro 的 25.00 分构成独立风险点。
选型时，代码执行与材料约束双低且诚信 fail 的组合，比单一维度低分更值得优先排查。下一期 Smoke 快测的探针得分将成为关键验证信号。
数据来源：赢政指数 (YZ Index) | Run #288 | 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