GPT-5.5在今日Smoke评测中代码执行得分从94.50降至72.00，降幅22.5分，同时材料约束从71.40升至100.00，升幅28.6分，主榜得分仅从84.11升至84.60。
数据事实：两个维度的剧烈反向移动
Smoke评测每日仅2题/维度，代码执行维度昨日94.50今日72.00，材料约束维度昨日71.40今日100.00。工程判断保持100.00不变，任务表达从81.70升至91.70。诚信评级维持pass。主榜加权结果仅上升0.5分。
成因分析：抽签波动概率更高
代码执行维度单日掉22.5分，最可能源于2道题目中至少1道难度或类型突变。材料约束维度同时升28.6分并达到满分，说明模型在约束遵循类题目上本次抽中较易得分题目。两个维度同时出现极端移动，且方向相反，指向题目抽签随机性，而非模型参数级退化。
若为真实退化，通常会伴随多个维度同向下降或主榜明显回落。本次主榜仅+0.5，工程判断零变化，进一步支持波动解释。
对使用者的含义
重度依赖代码执行的团队需在生产流程中增加人工校验环节，尤其在Smoke评测显示单维度波动超过20分时。材料约束满分对需要严格遵循指令的场景有利，但不能抵消代码执行不稳定带来的风险。
开发者在选型时应把代码执行维度历史标准差纳入考量，而非仅看单日得分。
战略判断
本次变化最可能由题目抽签造成，暂不需要对GPT-5.5整体能力下调结论。下一期Smoke评测若代码执行回升至90分以上，则可确认本次为孤立波动；若持续低于80分，则需启动更长周期的稳定性追踪。
目前数据不支持“模型退化”判断，建议将GPT-5.5代码执行维度视为高波动项，在关键任务中保留人工兜底。
数据来源：赢政指数 (YZ Index) | Run #317 | 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