Gemini 3.1 Pro Smoke 评测主榜暴跌 8.5 分，代码执行从 75 直接腰斩

Gemini 3.1 Pro 在今日 Smoke 评测中主榜得分从 80.99 分跌至 72.50 分，降幅达到 8.5 分。

核心维度得分变化

代码执行维度从昨日 75.00 分降至今日 50.00 分，降幅 25 分；材料约束维度则从 88.30 分升至 100.00 分，增幅 11.7 分。工程判断（侧榜，AI 辅助评估）从 100.00 分降至 75.00 分，任务表达（侧榜，AI 辅助评估）从 76.70 分降至 66.70 分。诚信评级维持 pass。

波动成因分析

Smoke 评测每日仅 10 题，每维度 2 题，样本量极小。代码执行维度单日 25 分跌幅，最可能源于抽签题目难度上升或模型在特定代码场景下输出不一致。材料约束维度同时升至满分，说明模型在引用约束方面的表现并未系统性退化，两维度反向变动指向题目抽签波动而非模型整体能力退化。

工程判断（侧榜，AI 辅助评估）与任务表达（侧榜，AI 辅助评估）同步下滑，反映模型在需要工程权衡与任务表述的题目上得分波动加大。稳定性维度公式 max(0, 100-stddev×2) 已提示该模型同类题目得分标准差较大，此次单日多维度波动与稳定性 31.7 分的信号一致。

对使用者的具体含义

重代码执行的团队在选用 Gemini 3.1 Pro 时需增加冗余验证环节，单日 50.00 分意味着两道代码题可能均未达标。依赖材料忠实度的场景则可继续使用，今日 100.00 分显示约束能力仍处于高位。

需要同时调用工程判断与任务表达的混合流程，建议在生产环境增加人工复核节点，避免 75.00 分与 66.70 分带来的输出偏差。

战略判断

基于现有得分对比，Gemini 3.1 Pro 代码执行能力被单日抽签放大，真实退化证据不足，但连续两日代码执行低于 60 分则需下期重点验证。材料约束保持满分，说明该维度仍是模型相对优势。主榜 72.50 分已低于昨日，选型时应以多日平均分而非单日结果为准。

数据来源：赢政指数 (YZ Index) | Run #232 | 查看原始数据