DeepSeek V4 Pro在今日Smoke评测中主榜得分从70.44分降至51.24分，降幅19.2分，主要由代码执行维度从66.70分跌至25.00分导致。
数据拆解：单一维度主导下跌
代码执行维度单日损失41.7分，材料约束维度则从75.00分升至83.30分，升幅8.3分。工程判断从75.00分降至50.00分，任务表达从66.70分降至58.30分。主榜仅由代码执行与材料约束加权构成，因此代码执行的剧烈下滑直接拉低整体排名。
成因分析：抽签波动还是模型退化
Smoke评测每日仅2题/维度，样本量极小，单题失误即可造成30-40分级波动。代码执行今日25.00分意味着两道题目均未达标，而昨日66.70分对应至少一道题目通过。材料约束反向提升，说明模型在约束遵循类题目上表现稳定，未出现系统性退化迹象。工程判断与任务表达的下滑幅度均小于代码执行，指向问题集中在代码生成与调试环节。
代码执行66.70→25.00，材料约束75.00→83.30，说明今日失分集中于执行正确性，而非材料引用准确性。
对使用者的具体含义
重度依赖代码执行的团队需立即在本地复测相同或相似题目。Smoke评测的25.00分对应两题全失，若该模型用于自动化脚本生成或算法验证，错误率可能显著上升。对材料约束敏感的RAG场景影响较小，因为该维度今日反而提升。
- 代码生成类任务：建议增加人工复核环节
- 长链工具调用：优先切换至昨日表现更稳的模型
- 材料忠实度要求高的场景：可继续使用，无需紧急切换
战略判断
单日代码执行41.7分降幅在每日仅两题的测试框架下属于极端个案，但连续观察至少三日数据才能区分抽签波动与真实能力变化。目前仅凭今日数据，无法判定模型已进入退化通道。建议将DeepSeek V4 Pro代码执行维度列入下期重点跟踪名单，若连续两日低于40分再考虑调整选型优先级。
诚信评级维持pass，说明模型未出现拒绝回答或格式违规问题，问题 strictly 集中在执行正确性上。
数据来源：赢政指数 (YZ Index) | Run #281 | 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