GPT-5.5在今日Smoke评测中，代码执行得分从94.50降至69.50，材料约束得分从76.00升至100.00，主榜得分从86.18降至83.23。
数据事实：主榜对冲后的小幅回落
主榜仅由代码执行与材料约束两个可审计维度构成。今日代码执行下降25分，材料约束上升24分，两者相抵后主榜净降3分。工程判断维持100.00不变，任务表达从100.00降至81.70。诚信评级保持pass。
Smoke评测每日仅10题，每维度2题。单日样本量极小，任何一题失误都可造成20-30分级波动。代码执行与材料约束同时出现大幅反向移动，符合抽签波动特征，而非单一方向的系统性退化。
成因分析：题目抽签波动最可能解释
代码执行维度今日丢分集中，可能源于2道题目中至少1道涉及复杂多步计算或长链依赖。材料约束维度同时升至满分，说明同一批题目中模型对指令边界的遵守反而更严格。两种能力在同一模型内同时出现极端反向变化，指向题目内容差异，而非模型参数或训练后更新导致的整体能力退化。
任务表达维度下降18.3分属于侧榜（AI辅助评估），不进入主榜计算。该维度波动与代码执行下降方向一致，但幅度小于执行维度，提示可能存在跨维度题目重叠影响。
对使用者的含义
重代码执行的团队在选型时需额外关注单日波动风险。Smoke评测仅2题/维度，69.50分可能仅反映当日抽中题目难度，而非模型真实代码能力下限。依赖材料约束的场景（如长指令遵循、格式严格输出）今日表现反而更好，可作为互补参考。
开发者若同时使用代码执行与材料约束两个维度，今日数据表明两者存在一定互补性。主榜净降仅3分，说明单一维度暴跌对整体可用性的冲击被部分抵消。
战略判断
基于今日得分对比，代码执行暴跌更可能由题目抽签波动造成，而非模型真实退化。主榜小幅回落与两个维度反向运动的模式一致，暂无证据支持持续性能力下降。下一期Smoke评测若代码执行回升至90分以上，则可进一步确认波动属性；若持续低于75分，则需启动更大样本复测。
工程判断维持满分，表明模型在侧榜（AI辅助评估）层面的决策一致性未受影响。诚信评级pass，满足准入门槛。稳定性与可用性为运行信号，本期未提供相关数据，不纳入判断。
综合来看，GPT-5.5今日表现属于Smoke评测正常范围内的极端样本。选型团队可继续观察后续3-5日数据，再决定是否调整代码执行相关工作流。
数据来源：赢政指数 (YZ Index) | Run #304 | 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