Gemini 3.1 Pro单日快测90.36分居首，豆包Pro材料约束97
2026-10-31 赢政指数 Smoke 快测覆盖 14 个模型，Gemini 3.1 Pro 以 90.36 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。
2026-10-31的赢政指数Smoke快测共跑了14个模型，Gemini 3.1 Pro当天以90.36分排在第一。Smoke是每天10道题的快测，用来捕捉短期信号，和Full周榜的结论不是一回事。
这一期Smoke只涉及代码执行和材料约束两个主榜维度，主榜算法为0.55 × 代码执行 + 0.45 × 材料约束。每天题量有限，单日得分拿来做监控信号更合适，不足以对模型能力下长期判断。
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 | 90.36 | 94 | 85.9 | pass |
| #2 | 豆包 Pro | 88.48 | 81.5 | 97 | pass |
| #3 | GPT-6 Astra | 86.44 | 94 | 77.2 | pass |
| #4 | Claude Sonnet 4.6 | 85.18 | 94 | 74.4 | pass |
| #5 | DeepSeek V4 Pro | 84.87 | 94 | 73.7 | pass |
| #6 | GPT-6 Luna | 84.1 | 94 | 72 | pass |
| #7 | GPT-6.1 Sol | 84.1 | 94 | 72 | pass |
| #8 | Grok 4 | 83.83 | 94 | 71.4 | pass |
| #9 | Claude Opus 4.7 | 82.95 | 69 | 100 | pass |
| #10 | Gemini 2.5 Pro | 78.11 | 81.3 | 74.2 | pass |
| #11 | GPT-o3 | 77.69 | 69 | 88.3 | pass |
| #12 | GPT-6 Sol | 74.14 | 66.8 | 83.1 | pass |
| #13 | GPT-5.5 | 70.35 | 69 | 72 | pass |
| #14 | GLM-4.6 | 45.59 | 72 | 13.3 | pass |
数据解读
当天排在头名的是Gemini 3.1 Pro，主榜90.36，代码执行94、材料约束85.9，两项比较均衡。豆包Pro主榜88.48，代码执行81.5、材料约束97，材料约束这一侧更强。GPT-6 Astra主榜86.44、代码执行94、材料约束77.2，Claude Sonnet 4.6主榜85.18、代码执行94、材料约束74.4。头部这几款整体分数大多靠代码执行94的水平撑着。
涨幅这边，DeepSeek V4 Pro主榜+38.5分、代码执行+69分，Gemini 2.5 Pro主榜+31分、代码执行+57分，豆包Pro主榜+27分、代码执行+36.7分、材料约束+15.1分，Grok 4主榜+24.8分、代码执行+45.9分。这些上升主要来自代码执行。反过来，GPT-6 Sol主榜-16.4分、代码执行-33.2分，回落明显。
异常信号包括：GPT-6 Luna材料约束暴跌-15.9分，GPT-6 Sol主榜暴跌-16.4分，GPT-5.5主榜暴跌-8.8分，GLM-4.6材料约束暴跌-43.6分。这些可能是题目抽样波动，也可能是真实退化，要等后续run复核。Qwen3 Max因数据不完整没有参加排名。Smoke是小样本单日信号，解读时保持克制。
主要变化
- DeepSeek V4 Pro：主榜上升38.5分，代码执行+69分，诚信warn→pass
- Gemini 2.5 Pro：主榜上升31分，代码执行+57分
- 豆包 Pro：主榜上升27分，代码执行+36.7分，材料约束+15.1分
- Grok 4：主榜上升24.8分，代码执行+45.9分
- GPT-6 Sol：主榜下降16.4分，代码执行-33.2分
需要关注的信号
- GPT-6 Luna：材料约束暴跌 -15.9 分
- GPT-6 Sol：主榜暴跌 -16.4 分
- GPT-5.5：主榜暴跌 -8.8 分
- GLM-4.6：材料约束暴跌 -43.6 分
- 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
读这种Smoke简报，关键看两件事：同一类弱点是否在某个模型上连着多天出现；诚信评级有没有从pass跌到warn或fail。单日执行或约束分数若大幅波动，既可能是题目抽样所致，也可能是真实退化的早期迹象，得靠后续run来复核。
