DeepSeek V4 Pro Smoke评测主榜暴跌16.9分 代码执行单日掉28分

DeepSeek V4 Pro 在今日 Smoke 评测中主榜得分从 96.99 分跌至 80.10 分，降幅 16.9 分。

得分拆解与直接驱动因素

代码执行维度从 100.00 分降至 72.00 分，贡献了全部主榜跌幅的绝大部分；材料约束从 93.30 分降至 90.00 分，仅下降 3.3 分。工程判断从 75.00 分升至 100.00 分，任务表达从 91.70 分降至 79.70 分。主榜仅由代码执行与材料约束加权构成，因此代码执行 28 分的单日损失直接决定了整体排名下滑。

题目抽签波动还是模型真实退化

Smoke 评测每日仅 2 题/维度，样本量极小，单题失误即可造成 28 分级别的跳动。代码执行昨日满分，今日 72 分，说明两道题目中至少一道出现明显错误或未完成。材料约束同期仅降 3.3 分，表明模型对材料忠实度的基础能力未出现系统性下滑。工程判断反向升至满分，进一步显示模型在不同能力轴上的表现并非同步退化。因此，当前数据更支持题目抽签带来的波动，而非模型参数或训练后能力出现持续退化。

对使用者的具体含义

重度依赖代码生成的团队在今日及未来数日内需增加人工复核环节，尤其是涉及多步推理或 API 调用的场景。材料约束仍维持 90 分以上，对需要严格引用原文或格式限制的 RAG 类应用影响有限。工程判断升至满分，意味着在需要系统设计与权衡判断的任务中，模型反而给出更优输出，可在原型阶段优先调用。

战略判断

单日 28 分的代码执行波动在 2 题样本下属于可解释范围，但若下期评测中代码执行继续低于 85 分，则需启动多日连续追踪以确认是否存在真实退化。当前数据不支持对 DeepSeek V4 Pro 整体能力下结论，仅提示代码执行维度对小样本波动敏感。选型企业应把 Smoke 评测作为预警信号，而非最终能力证明。

数据来源：赢政指数 (YZ Index) | Run #229 | 查看原始数据