GPT-6 Astra在今日Smoke评测中主榜得分从82.33分跌至71.01分，代码执行维度从97.00分直接跌至72.00分。
数据事实
Smoke评测每日固定10题，每维度2题。今日代码执行维度得分72.00分，较昨日97.00分下降25分；材料约束维度从64.40分升至69.80分，上升5.4分；工程判断与任务表达两项侧榜维度保持75.00分与100.00分不变；诚信评级维持pass。主榜加权结果因此下降11.3分。
代码执行维度单日跌幅远超材料约束维度的升幅，导致主榜整体回落。工程判断与任务表达未出现波动，说明模型在侧榜能力上保持稳定。
可能成因分析
Smoke评测题目每日抽签，2题样本量较小，单日分数波动属于正常范围。代码执行维度今日出现大幅回落，最可能的原因是抽中题目对模型代码生成或调试能力要求更高，模型在这些具体题目上未能给出正确解法。
材料约束维度小幅上升，显示模型在引用约束与忠实度方面未出现系统性问题。工程判断与任务表达保持原分，说明模型整体架构与表达能力未受本次抽签影响。
若本次回落仅由题目难度导致，则属于统计波动；若连续多日同维度出现类似低分，则可能指向模型真实退化。目前仅单日数据，无法区分两者。
使用者含义
重度依赖代码执行的开发团队需注意，GPT-6 Astra在代码生成场景下的稳定性出现明显波动。今日72.00分意味着在同类代码任务中，模型正确率可能显著低于昨日97.00分对应的水平。
对材料约束敏感的文档生成或知识提取场景影响较小，因为该维度得分反而上升。工程判断与任务表达保持满分或高分，适合需要结构化输出与判断的任务。
企业选型时，需将代码执行维度的单日波动纳入风险评估，尤其在自动化测试或脚本生成流水线中，建议增加人工复核环节。
战略判断
代码执行维度25分跌幅已超过正常抽签波动阈值，值得下期Smoke评测重点验证。若下一日该维度回升至90分以上，则本次回落更可能归因于题目抽签；若持续低于80分，则需考虑模型真实能力变化。
主榜11.3分回落主要由代码执行单一维度驱动，其他维度未出现同步恶化，说明模型整体并未全面退化。工程判断与任务表达的零波动进一步印证了这一点。
对于依赖代码执行的核心用户，当前数据提示需暂时降低对GPT-6 Astra的信任度，优先观察后续两日同一维度的得分变化，再决定是否调整生产环境配置。
数据来源：赢政指数 (YZ Index) | Run #387 | 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