Gemini 2.5 Pro以87.21分居首：2026-08-07 Smoke快测数据简报

2026-08-07 赢政指数 Smoke 快测覆盖 9 个模型，Gemini 2.5 Pro 以 87.21 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

今日数据中，Gemini 2.5 Pro主榜87.21领先，代码执行94.5与材料约束78.3搭配均衡。Grok 4代码执行94.5但材料约束65，主榜81.23；Claude Opus 4.7材料约束95而代码执行69.5，主榜80.98。GPT-5.5代码执行94.5、材料约束50，主榜74.48，显示头部模型在两项维度上的不同侧重。

显著变化中，DeepSeek V4 Pro主榜下降31分，代码执行下降30.5分，材料约束下降31.5分；Claude Sonnet 4.6主榜下降20.7分，材料约束下降39.3分；Gemini 2.5 Pro主榜上升15.9分，代码执行上升23.7分。Qwen3 Max主榜下降15.3分，代码执行下降18分。

异常信号包括Grok 4材料约束暴跌17.6分、Claude Opus 4.7代码执行暴跌30.5分、GPT-5.5主榜暴跌12.9分等，可能源于题目抽样波动或真实退化，需后续run复核。Smoke快测为小样本单日信号，变化解读需保持克制。

主要变化

• DeepSeek V4 Pro：主榜下降31分，代码执行-30.5分，材料约束-31.5分
• Claude Sonnet 4.6：主榜下降20.7分，代码执行-5.5分，材料约束-39.3分
• GPT-o3：主榜下降16.8分，代码执行-5.5分，材料约束-30.7分
• Gemini 2.5 Pro：主榜上升15.9分，代码执行+23.7分，材料约束+6.4分
• Qwen3 Max：主榜下降15.3分，代码执行-18分，材料约束-11.9分

需要关注的信号

• Grok 4：材料约束暴跌 -17.6 分
• Claude Opus 4.7：代码执行暴跌 -30.5 分
• GPT-5.5：主榜暴跌 -12.9 分
• GPT-o3：主榜暴跌 -16.8 分
• Claude Sonnet 4.6：主榜暴跌 -20.7 分
• Qwen3 Max：主榜暴跌 -15.3 分
• DeepSeek V4 Pro：主榜暴跌 -31 分
• 豆包 Pro：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
• GLM-4.6：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 #266 | 查看原始数据