Gemini 3.1 Pro 以 94.74 分居首：Smoke Run#274 快测简报（2026-08-11）
2026 年 8 月 11 日赢政指数 Smoke 快测覆盖 10 个模型，Gemini 3.1 Pro 以 94.74 分位居当日首位。本次仅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。
一、当日排名
| 排名 | 模型 | 主榜 | 代码执行 | 材料约束 | 诚信 |
|---|---|---|---|---|---|
| #1 | Gemini 3.1 Pro | 94.74 | 100 | 88.3 | pass |
| #2 | Claude Opus 4.7 | 92.94 | 100 | 84.3 | pass |
| #3 | DeepSeek V4 Pro | 87.99 | 100 | 73.3 | pass |
| #4 | Grok 4 | 87.93 | 95.8 | 78.3 | pass |
| #5 | Gemini 2.5 Pro | 86.28 | 92.8 | 78.3 | pass |
| #6 | Claude Sonnet 4.6 | 85.74 | 100 | 68.3 | pass |
| #7 | GPT-o3 | 84.41 | 94.8 | 71.7 | pass |
| #8 | GPT-5.5 | 83.17 | 100 | 62.6 | pass |
| #9 | Qwen3 Max | 81.56 | 87.5 | 74.3 | pass |
| #10 | GLM-4.6 | 74.00 | 75 | 78.3 | fail |
二、主要变化
以下模型主榜出现显著变动：
模型 主榜变化 代码执行 材料约束 Claude Sonnet 4.6 +30.5 +50.0 +6.6 Gemini 3.1 Pro +28.0 +33.3 +21.6 GPT-5.5 +24.9 +25.0 +24.7 Claude Opus 4.7 +20.6 +25.0 +15.3 Qwen3 Max +16.6 +12.5 +21.5Claude Sonnet 4.6 的+30.5 分最为突出，代码执行从 50 分直接跳至 100 分。
三、需要关注的信号
- GLM-4.6：诚信评级降为 Fail（pass → fail），是当日唯一触发诚信告警的模型。
- 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。
四、阅读指南
读 Smoke 简报时应重点看两个问题：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。
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。