GPT-6 Astra在今日Smoke评测中代码执行得分从昨日97.30降至70.00,主榜从84.70降至78.69,材料约束则从69.30升至89.30。
得分对比事实
昨日到今日的具体变化为:代码执行97.30→70.00,材料约束69.30→89.30,工程判断100.00→97.80,任务表达94.70→85.00,主榜84.70→78.69,诚信评级维持pass。
成因分析
代码执行单日跌27.3分最可能源于2题抽签波动。Smoke评测每日仅2题/维度,题目难度分布不均时易出现大幅摆动。材料约束同期上升20分,说明模型在约束遵循任务上表现提升,两维度反向变化不支持系统性退化结论。工程判断与任务表达小幅回落,幅度均小于10分,进一步指向随机题目因素而非整体能力下滑。
对使用者的含义
重代码执行的团队今日需额外验证GPT-6 Astra输出,尤其涉及复杂计算或多步推理场景。材料约束得分上升,对需要严格遵循输入限制的场景反而提供更高可信度。依赖主榜排名的开发者应参考多日平均值,避免单日78.69分直接影响选型决策。
战略判断
当前数据仅显示代码执行维度异常波动,尚未构成真实退化证据。下一期评测若代码执行回升至90分以上,则可判定为抽签事件;若持续低于80分,则需启动连续追踪。主榜78.69分仍高于部分竞品基线,暂无下调优先级的充分理由。
工程判断97.80分与任务表达85.00分的小幅回落,未改变主榜构成逻辑。主榜仅由代码执行与材料约束加权,今日加权结果78.69分直接反映两维度净变化。诚信评级pass表明模型未出现拒绝回答或数据捏造问题。
对选型企业而言,今日结果提示在代码密集项目中增加人工复核环节。材料约束89.30分则可作为该模型在合规场景的参考上限。整体判断:本次暴跌更可能是评测抽签导致的统计噪声,而非模型能力结构性下降。
数据来源:赢政指数 (YZ Index) | Run #429 | 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