GPT-o3在今日Smoke评测中主榜得分从96.01降至80.78，代码执行维度从97.00直接跌至72.50，降幅达到24.5分。
数据事实：单维度极端波动
对比昨日与今日得分，代码执行出现-24.5分的单日变化，材料约束从94.80降至90.90，仅-3.9分。工程判断维持100.00不变，任务表达则从75.00升至90.00，上涨15分。主榜整体因此下降15.2分。诚信评级保持pass。
Smoke评测每日仅2题/维度，样本量极小。代码执行单项24.5分的跌幅，意味着至少一道题目得分出现大幅下滑。材料约束的3.9分降幅则在正常波动范围内。
成因分析：抽签波动概率更高
从维度构成看，代码执行对具体题目敏感度最高。2题测试中，若遇到边界条件复杂或需要多步推理的题目，模型一次失误即可拉低平均分24.5分。材料约束降幅较小，说明模型在忠实度方面的基础能力未出现系统性问题。
工程判断连续两日保持满分，任务表达反而提升，表明模型在侧榜能力上未同步下滑。若为真实退化，通常会伴随多个维度同时走弱，而本次仅代码执行一枝独秀，因此抽签波动是更合理的解释。
对使用者的含义
重度依赖代码生成的团队需注意，单日Smoke得分不能直接等同于日常使用表现。72.50分的代码执行得分可能仅反映当日2题的难度分布，而非模型整体编程能力下降。
对材料忠实度要求较高的场景影响有限，材料约束仍维持在90.90分，降幅不足以改变选型决策。工程判断满分则说明模型在判断类任务上依然稳定。
战略判断：暂无需过度关注
基于现有得分对比，GPT-o3本次主榜下跌最可能由题目抽签造成，而非模型真实退化。工程判断与任务表达的稳定或上升，进一步支持这一判断。
建议下一期Smoke评测继续观察代码执行维度，若连续两日出现类似24分以上跌幅，再考虑启动更大数据集验证。当前单日数据不足以得出模型能力退化的结论。
企业选型时仍可将GPT-o3作为代码执行备选，但需搭配多日平均分或更大样本测试，避免被单次抽签结果误导。
数据来源：赢政指数 (YZ Index) | Run #341 | 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