GPT-o3在今日Smoke评测中代码执行得分从94.50分跌至72.00分，主榜整体从92.39分降至84.60分。
得分对比与维度拆解
材料约束从89.80分升至100.00分，任务表达从70.00分升至91.70分，工程判断保持100.00分不变，诚信评级维持pass。主榜仅由代码执行与材料约束两个可审计维度构成，今日主榜下滑7.8分主要来自代码执行单维度-22.5分的拖累。
可能成因分析
Smoke评测每日仅2题代码执行题目，样本量极小，单题失误即可导致维度分数大幅波动。今日代码执行72.00分与昨日94.50分的差距，最可能源于题目抽签难度差异，而非模型能力退化。材料约束与任务表达两项同时上升，显示模型在其他维度回答稳定性未出现系统性问题。
若为模型真实退化，通常会伴随多个维度同步下滑或诚信评级变化，但今日数据中仅代码执行一维异常，其余维度均有提升或持平，因此抽签波动解释力更强。
对使用者的具体含义
重度依赖代码执行的开发团队需在今日后增加人工复核环节，尤其在生成复杂算法或多步推理代码时。材料约束满分表明GPT-o3在严格遵循提示词和输出格式的场景下表现稳定，适合需要高忠实度的文档生成任务。
工程判断维持满分，对需要结构化决策的场景影响有限。任务表达提升21.7分，说明模型在清晰表达任务结果方面有所改善，可用于需要高质量输出的报告撰写。
战略判断
基于单日数据，GPT-o3代码执行得分下滑更可能是抽签波动而非真实退化，暂不需要立即下调模型优先级。若下期评测中代码执行仍维持在80分以下，再行验证模型一致性。当前主榜84.60分仍高于部分竞品，选型企业可继续观察连续三日数据后再做调整。
数据来源：赢政指数 (YZ Index) | Run #380 | 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