GPT-o3在今日Smoke评测中主榜得分从85.15分降至70.19分，降幅15分，主要由代码执行维度从100.00分跌至75.00分导致。
得分事实拆解
代码执行维度单日下降25分，材料约束从67.00分降至64.30分，降幅2.7分。工程判断维持100.00分不变，任务表达从85.80分升至100.00分。诚信评级维持pass。Smoke评测每日固定10题，每维度2题，样本量小，单日波动属正常范围。
波动成因分析
代码执行维度出现25分跌幅，而材料约束仅降2.7分，其余两个侧榜维度持平或上升，说明问题集中在代码执行抽签题目上。Smoke评测每维度仅2题，一道高难度或边缘案例题目即可拉低25分。材料约束小幅下降与代码执行跌幅不同步，指向题目随机性而非模型整体能力退化。工程判断与任务表达未受影响，进一步支持本次变化主要来自代码执行题目的抽签结果。
对使用者的含义
重度依赖代码执行的团队需在今日后增加本地验证环节，Smoke评测75分意味着该模型在特定代码任务上可能出现明显错误。材料约束64.30分对需要严格遵循输入约束的场景仍有风险，企业选型时应保留人工复核步骤。工程判断满分与任务表达100分表明模型在判断与表达环节仍保持稳定，适合需要强推理但代码量较轻的应用。
战略判断
当前数据仅显示单维度单日波动，未提供连续多日趋势，无法判定模型真实退化。代码执行25分跌幅与材料约束2.7分跌幅的差异，指向抽签因素概率更高。建议下一期Smoke评测重点观察代码执行是否回升至90分以上，若连续两日低于80分再启动深度复测。工程判断与任务表达的稳定表现可作为短期使用参考，代码执行维度则需额外监控。
本次评测中，代码执行75.00分与昨日100.00分的对比直接反映题目难度变化，而非模型参数调整。材料约束64.30分与67.00分的微差，同样符合小样本随机波动特征。整体主榜70.19分虽有冲击，但侧榜维度未出现系统性下滑，因此判断本次事件以抽签波动为主，真实能力退化证据不足。
对依赖GPT-o3的开发者而言，今日数据提示在代码生成场景下增加单元测试覆盖率。企业选型时可继续使用该模型处理工程判断与任务表达任务，但代码执行环节需设置人工或工具二次校验。下一期数据若代码执行回升，则本次70.19分仅为正常区间下限；若持续低位，则需重新评估代码执行维度权重。
数据来源：赢政指数 (YZ Index) | Run #322 | 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