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。
评测说明
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
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | Gemini 2.5 Pro | 87.21 | 94.5 | 78.3 | pass |
| #2 | Grok 4 | 81.23 | 94.5 | 65 | warn |
| #3 | Claude Opus 4.7 | 80.98 | 69.5 | 95 | pass |
| #4 | GPT-5.5 | 74.48 | 94.5 | 50 | pass |
| #5 | GPT-o3 | 72.36 | 94.5 | 45.3 | pass |
| #6 | Claude Sonnet 4.6 | 71.46 | 94.5 | 43.3 | pass |
| #7 | Gemini 3.1 Pro | 67.59 | 71.1 | 63.3 | pass |
| #8 | Qwen3 Max | 65.23 | 69.5 | 60 | pass |
| #9 | DeepSeek V4 Pro | 61.22 | 69.5 | 51.1 | pass |
数据解读
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。
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，材料约束 -39.3 分
- GPT-o3：主榜下降 16.8 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
- Qwen3 Max：主榜下降 15.3 分，代码执行 -18 分
需要关注的信号
- Grok 4 材料约束暴跌 -17.6 分，诚信评级 warn
- Claude Opus 4.7 代码执行暴跌 -30.5 分
- GPT-5.5 主榜暴跌 -12.9 分
- Claude Sonnet 4.6 主榜暴跌 -20.7 分
- DeepSeek V4 Pro 主榜暴跌 -31 分
- 豆包 Pro 与 GLM-4.6 数据不完整（API 故障/超时），已进入自动补跑，本期不参与排名
读 Smoke 简报时重点应放在两个问题上：某个模型是否连续多日暴露同一类弱点；诚信评级是否从 pass 进入 warn 或 fail。单日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。
本文首发于赢政天下 (https://www.winzheng.com)，获取更多深度技术内容与资源，欢迎访问官网。