豆包Pro代码执行暴跌16.7分 材料约束却升30.6分

豆包 Pro 在今日 Smoke 评测中，代码执行维度得分从昨日 91.70 分跌至 75.00 分，降幅 16.7 分；材料约束维度从 69.40 分升至 100.00 分，增幅 30.6 分；主榜得分从 81.67 分升至 86.25 分，增幅 4.6 分。

得分对比的直接事实

工程判断维度从 63.90 分升至 100.00 分，增幅 36.1 分；任务表达维度从 100.00 分降至 91.70 分，降幅 8.3 分。诚信评级保持 pass。Smoke 评测每日仅 10 题，2 题 per 维度，单日波动属正常范围。

成因分析：题目抽签波动而非模型真实退化

代码执行与材料约束两个主榜维度出现方向完全相反的剧烈变化，代码执行下降 16.7 分的同时材料约束上升 30.6 分，工程判断也同步上升 36.1 分。这种对立走势最可能源于每日题目抽签的难度与类型差异。Smoke 评测题库有限，单日 10 题的随机组合容易让模型在某一维度遇到更难的代码执行案例，同时在材料约束和工程判断上遇到更易得分的案例。

若为模型真实能力退化，通常会伴随多个维度同步或同向下降，而非出现工程判断与材料约束同时大幅提升的情况。任务表达仅小幅下降 8.3 分，进一步印证整体能力未出现系统性下滑。主榜得分反而上升 4.6 分，也与代码执行单一维度暴跌形成对比，说明材料约束的满分拉升作用超过了代码执行的损失。

对使用者的具体含义

重度依赖代码执行的开发团队需注意，今日 75.00 分水平意味着在 Smoke 评测同类代码任务上，豆包 Pro 完成率或准确率出现明显回落。需要为关键代码生成任务增加人工复核环节，尤其在需要连续多步调试或复杂算法实现的场景。

对材料忠实度要求高的场景，今日 100.00 分表现则提供正面信号，模型在遵循给定材料、避免幻觉输出方面达到满分水准。工程判断 100.00 分同样表明，在需要工程权衡的决策类问题上，今日抽中的题目让豆包 Pro 表现出色。

战略判断

基于今日得分对比，豆包 Pro 的 Smoke 评测结果主要受题目抽签波动驱动，而非模型真实退化。主榜得分上升 4.6 分的事实，显示单一维度暴跌并未改变整体排名位置。需要下期验证的信号是：若连续多日代码执行维度维持在 75 分附近，则需重新评估模型在该维度的稳定性。

目前数据不支持将本次暴跌解读为能力永久下滑。选型企业可继续观察后续 Smoke 评测中代码执行与材料约束的配对走势，以确认波动是否收敛。

数据来源：赢政指数 (YZ Index) | Run #295 | 查看原始数据