豆包 Pro 在今日 Smoke 评测中主榜得分从昨日73.40分降至65.38分，降幅8.02分。代码执行维度从94.50分跌至45.80分，降幅48.70分；材料约束维度从47.60分升至89.30分，增幅41.70分；工程判断从75.00分升至95.50分，增幅20.50分；任务表达保持100.00分不变；诚信评级维持pass。
数据事实拆解
主榜由代码执行与材料约束两个维度加权构成。今日代码执行得分直接拉低主榜，而材料约束的同步上升仅部分抵消降幅。工程判断与任务表达不计入主榜，但其变化显示模型在侧榜维度表现分化。所有数值均来自当日10题快测（每维度2题）。
成因分析：抽样波动还是真实退化
Smoke 评测每日仅2题/维度，样本量极小，单题得分权重高。代码执行维度从94.50分跌至45.80分，最可能原因是今日抽中的2道代码题恰好命中模型弱点，导致单题失分严重。材料约束维度同期上升41.70分，说明同一批题目中模型对材料忠实度的表现反而更好。工程判断提升20.50分同样指向题目抽签带来的随机性，而非模型能力整体退化。任务表达连续两日满分，进一步印证波动集中在特定维度。
若为真实退化，通常会伴随多维度同步下滑或诚信评级变化，但今日诚信评级仍为pass，且材料约束与工程判断均有明显提升。因此，当前数据更支持题目抽签波动解释。
对使用者的具体含义
重度依赖代码执行的团队需注意：今日45.80分显示，在特定编程任务上，豆包 Pro 可能出现大幅失误。建议在生产环境部署前增加本地代码测试环节，避免直接信任单次输出。材料约束得分89.30分则表明，该模型在需要严格遵循输入文档的场景（如合同审查、报告生成）中表现更稳定，适合此类任务优先选用。
工程判断95.50分对需要模型辅助架构决策的开发者友好，但因侧榜属性，实际使用仍需人工复核。任务表达满分意味着日常对话与需求表述环节风险较低。
战略判断
单日8分主榜波动在小样本快测中属于正常范围，但代码执行48.70分的极端降幅值得下期持续验证。若明日代码执行得分回升至80分以上，则基本可判定为抽样偶然；若连续两日低于60分，则需考虑模型在代码相关训练数据上的潜在问题。材料约束与代码执行的反向波动也提示，未来评测可关注两维度题目难度的相关性。
基于现有数据，豆包 Pro 主榜短期承压主要来自代码执行抽签失利，而非整体能力下滑。选型企业应在代码重度场景增加冗余验证，在材料忠实场景可适度提高使用优先级。
数据来源：赢政指数 (YZ Index) | Run #427 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接