Gemini 2.5 Pro以95.91分居首：2026-10-15 Smoke快测数据简报

2026-10-15 赢政指数 Smoke 快测覆盖 13 个模型，Gemini 2.5 Pro 以 95.91 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以主榜95.91位居首位，其代码执行97.8与材料约束93.6形成均衡高位搭配；Claude Opus 4.7紧随其后，主榜93.54对应代码执行97、材料约束89.3，同样体现代码执行侧重下的稳定表现。DeepSeek V4 Pro与GPT-o3并列主榜84.6，二者代码执行均为72、材料约束均为100，呈现材料约束极强而代码执行偏弱的互补结构。豆包Pro与Claude Sonnet 4.6则在代码执行90.7与93、材料约束87.9区间保持中高均衡。

异常信号方面，DeepSeek V4 Pro与GPT-o3代码执行均出现-22.5分变动，Gemini 3.1 Pro主榜下降12.6分且代码执行下降22.5分，GPT-6.1 Sol主榜下降11.3分、代码执行下降22.5分，GPT-6 Astra主榜下降10.2分。这些单日波动可能源于题目抽样波动，也可能反映真实退化迹象，需后续run复核确认。GLM-4.6与Qwen3 Max因API故障导致数据不完整，本期未参与排名。

整体来看，头部模型多依赖代码执行97以上区间拉动主榜，而材料约束100的模型在代码执行72时主榜回落至84.6区间，显示两维度强弱搭配对最终排名的直接影响。Smoke小样本单日信号下，所有解读均保持克制，不做长期推断。

主要变化

• Gemini 2.5 Pro：主榜上升19.6分，代码执行+32.5分
• Gemini 3.1 Pro：主榜下降12.6分，代码执行-22.5分
• Claude Sonnet 4.6：主榜上升12.1分，代码执行+23.5分
• GPT-6 Luna：主榜上升11.4分，代码执行+27.5分，材料约束-8.2分
• GPT-6.1 Sol：主榜下降11.3分，代码执行-22.5分

需要关注的信号

• DeepSeek V4 Pro：代码执行暴跌 -22.5 分
• GPT-o3：代码执行暴跌 -22.5 分
• GPT-6 Astra：主榜暴跌 -10.2 分
• GPT-6.1 Sol：主榜暴跌 -11.3 分
• Gemini 3.1 Pro：主榜暴跌 -12.6 分
• GLM-4.6：数据不完整（缺 execution 维度，API 故障/超时），已进入自动补跑，本期不参与排名
• 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 #380 | 查看原始数据