Gemini 3.1 Pro代码执行暴跌27.2分 主榜下滑6.5

Gemini 3.1 Pro在今日Smoke评测中代码执行得分从昨日的91.70分直接降至64.50分，降幅达到27.2分，主榜整体从82.39分回落至75.89分。

得分变化的原始数据

昨日到今日的具体对比显示，代码执行维度出现最大波动，材料约束维度则从71.00分上升18.8分至89.80分。工程判断维度维持100.00分不变，任务表达维度小幅上升8.3分至60.00分。诚信评级仍为pass。

波动成因分析

Smoke评测每日仅10题，2题对应一个维度，单日抽签题目差异容易造成分数大幅摆动。代码执行维度本次暴跌，最可能源于今日抽中的两道题目对代码正确性或执行效率要求更高，而模型在这些具体任务上未能给出符合预期的输出。材料约束维度同时大幅上升，说明模型在今日题目中对给定材料的忠实度表现更好，这两个维度的反向变化指向题目抽签带来的随机性，而非模型整体能力退化。

代码执行91.70→64.50，材料约束71.00→89.80，这种对冲式变化在小样本快测中常见。

若模型出现真实退化，通常会伴随多个维度同步下滑，而本次工程判断保持满分，任务表达反而上升，因此更倾向于题目波动解释。

对使用者的具体含义

重度依赖代码生成与调试的团队需注意，Gemini 3.1 Pro在代码执行维度单日可出现超过27分的波动，意味着同一类编程任务在不同日期可能得到差异较大的结果。材料约束维度上升则表明，该模型在需要严格遵循输入文档或指令的场景中仍有较强表现，适合文档总结、合规检查等任务。

对开发者而言，当前数据提示不要在单一Smoke结果上立即调整生产环境中的模型选择，应观察连续多日同类任务的得分分布，以判断是否为偶然波动。

战略判断

基于本次得分对比，Gemini 3.1 Pro代码执行维度的高波动值得下期继续追踪，但现有证据不足以判定模型能力已系统性下降。材料约束维度的显著提升可能掩盖了主榜的回落，建议在下一轮评测中重点关注代码执行题目的难度分布。若连续两日代码执行得分均低于70分，再考虑是否需要更深入的稳定性测试。

工程判断维度持续满分，显示模型在工程决策类问题上仍保持较高水准，这部分能力未受本次波动影响。整体来看，主榜6.5分的回落主要由代码执行单一维度驱动，模型在其他核心能力上未出现同步恶化。

数据来源：赢政指数 (YZ Index) | Run #378 | 查看原始数据