GPT-6 Sol在今日Smoke评测中材料约束得分从88.30分降至55.00分，降幅达到33.3分，主榜得分仅从80.99分微降至79.75分。
得分对比数据
代码执行从75.00分升至100.00分，升幅25分；材料约束从88.30分降至55.00分；工程判断维持94.80分不变；任务表达从100.00分降至77.50分，降幅22.5分；诚信评级维持pass。
数据事实拆解
主榜由代码执行与材料约束两个维度加权构成。代码执行满分100.00分直接拉高主榜，而材料约束55.00分则形成对冲，导致整体仅下降1.2分。任务表达作为侧榜维度同步出现22.5分回落，显示模型在本次10题快测中对指令忠实度的响应出现不一致。
成因分析
Smoke评测每日仅2题/维度，题目抽签随机性可能导致单日分数剧烈波动。材料约束55.00分与昨日88.30分的差距，可能是本次抽取题目对材料引用要求更高，而模型未能保持一致输出。代码执行升至100.00分则显示模型在本次代码类题目上表现稳定，未出现同类退化。两种维度反向变动更接近题目抽签波动，而非模型整体能力退化。
对使用者的含义
重材料约束的场景如合同审查、文献引用生成，企业需额外增加人工校验环节，避免55.00分水平下的输出偏差。依赖代码执行的开发者可继续使用GPT-6 Sol处理编程任务，本次100.00分表现提供短期信心。任务表达77.50分提示在多轮指令场景中，模型可能出现指令遗漏，建议拆分复杂任务以降低风险。
战略判断
材料约束单日33.3分跌幅超出正常波动范围，值得下期Smoke评测重点跟踪。若连续两日材料约束维持在60分以下，则需考虑模型在 grounding 维度出现系统性问题。当前主榜79.75分仍处于可用区间，但对材料忠实度敏感的团队应准备备选模型。工程判断94.80分保持稳定，可作为该模型在侧榜能力上的参考锚点。
本次评测显示GPT-6 Sol在代码执行与材料约束两个核心维度出现明显分化。代码执行满分表现可能源于本次题目难度适配，而材料约束55.00分则暴露输出一致性不足。主榜微降1.2分掩盖了内部维度剧烈波动，对选型决策构成误导。
企业用户在选择GPT-6 Sol时，需区分使用场景：代码生成类任务可继续依赖，材料引用类任务则需设置二次审核流程。任务表达77.50分回落进一步提示，复杂多步指令场景下模型稳定性不足。
从数据看，题目抽签波动是更可能解释。10题快测样本量有限，单维度2题即可造成30分以上 swings。模型真实退化需更多连续数据支持，目前仅单日结果不足以得出退化结论。
下期评测若材料约束回升至80分以上，则本次55.00分可视为随机事件；若持续低于65分，则需启动模型能力退化验证流程。工程判断维持94.80分不变，为侧榜能力提供参照。
数据来源：赢政指数 (YZ Index) | Run #364 | 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