#Gemini 3.1 Pro #材料约束 #Smoke 轻量评测 #代码执行差距 #模型稳定性Smoke 今日快测结果显示Gemini 3.1 Pro 以 96.96 分的 core_overall 位居第一Claude Opus 4.7 以 96.83 分紧随其后两者仅差 0.13 分。顶尖模型的极致接近两位第一、第二名在代码执行维度均拿到 97.5 分材料约束上 Gemini 3.1 Pro 96.3 分Claude Opus 4.7 则为 96 分。公式 0.55×执行 0.45×约束 的权重设计让微小的约束差异直接决定了最终排名。如此微小的差距说明顶级模型在这两个核心维度上已进入“同水平竞争”阶段。GPT-5.5 的明显短板GPT-5.5 执行 97 分排第三却因材料约束仅 86.3 分最终跌至第五。约束维度落后近 10 分反映其在引用原始材料、避免幻觉方面的控制仍弱于 Gemini 和 Claude。对比之下Grok 4 执行 96 分、约束 93.8 分整体 95.01 分保持了相对均衡。中腰部模型的执行瓶颈DeepSeek V4 Pro、Qwen3 Max、Gemini 2.5 Pro 执行分数均不超过 65 分与头部差距超过 30 分。Qwen3 Max 约束 94.8 分甚至高于 GPT-5.5却因执行 55 分被大幅拉开。这再次印证当前中文模型在代码执行任务上仍存在系统性短板。需要说明的是今日为 v6.3 评分口径的首次运行与此前成绩不构成可比基线环比变化将在后续同口径评测中恢复呈现。当执行和约束都接近满分时0.13 分的差距已不再是偶然而是模型对材料边界控制的真实差异。数据来源赢政指数 (YZ Index) | Run #165 | 查看原始数据