Gemini 2.5 Pro以100分居首：2026-07-13 Smoke快测数据简报

2026-07-13 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 2.5 Pro 以 100 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

数据解读

今日赢政指数Smoke快测中，Gemini 2.5 Pro以代码执行100、材料约束100取得主榜100，展现代码执行与材料约束的均衡高位表现。GPT-o3与Grok 4同以代码执行97、材料约束97.8获得主榜97.36，豆包Pro与Gemini 3.1 Pro则以代码执行94、材料约束100并列主榜96.7，显示头部模型在两维度搭配上呈现强弱互补特征。Claude Opus 4.7代码执行69、材料约束100，主榜82.95；Claude Sonnet 4.6代码执行94、材料约束62，主榜79.6，此类结构差异凸显模型在单一维度上的相对优势或短板。

异常信号方面，Qwen3 Max主榜72较前次下降22.2分，代码执行72、材料约束72同步回落；Claude Sonnet 4.6主榜79.6下降17.4分，其中材料约束62降幅达31.3分；DeepSeek V4 Pro主榜80.1下降16.9分，代码执行72降28分；Claude Opus 4.7主榜82.95下降14分。上述变化可能源于题目抽样波动，亦可能反映单日真实表现差异，需后续run复核确认。GLM-4.6因通信维度数据缺失未参与排名。

整体来看，Smoke快测作为小样本单日信号，头部模型与异动模型的分数结构搭配提供了当日观察视角，但任何解读均应保持克制，避免长期推断。

主要变化

• Qwen3 Max：主榜下降22.2分，代码执行-23分，材料约束-21.3分
• Claude Sonnet 4.6：主榜下降17.4分，代码执行-6分，材料约束-31.3分
• GPT-o3：主榜上升17.1分，代码执行+22分，材料约束+11.1分
• DeepSeek V4 Pro：主榜下降16.9分，代码执行-28分
• Gemini 3.1 Pro：主榜上升16.2分，代码执行+24分，材料约束+6.7分

需要关注的信号

• Claude Opus 4.7：主榜暴跌 -14 分
• DeepSeek V4 Pro：主榜暴跌 -16.9 分
• Claude Sonnet 4.6：主榜暴跌 -17.4 分
• Qwen3 Max：主榜暴跌 -22.2 分
• GLM-4.6：数据不完整（缺 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 #229 | 查看原始数据