GPT-o3在今日Smoke评测中，代码执行维度从昨日94.50分跌至69.80分，降幅24.7分，主榜整体从86.04分降至78.13分，降幅7.9分。
数据事实：维度分化明显
材料约束从75.70分升至88.30分，升幅12.6分。工程判断从97.00分跌至74.80分，降幅22.2分。任务表达从86.70分跌至70.80分，降幅15.9分。诚信评级维持pass。
成因分析：抽签波动概率更高
Smoke评测每日仅10题，2题/维度。代码执行与工程判断同时大跌，而材料约束逆势上升，表明题目抽签对不同维度的影响存在差异。代码执行与工程判断题目可能集中于复杂计算或多步推理场景，GPT-o3在这些具体题目上出现失误，导致分数集中下滑。材料约束得分上升，说明当日材料约束题目难度或类型更适合该模型当前能力。
若为模型真实退化，通常多个核心维度会同步走弱，而非出现材料约束大幅上升的补偿性表现。因此，题目抽签波动是更可能的原因。
对使用者的含义
重代码执行的团队在依赖GPT-o3处理算法实现或数据处理任务时，需增加人工复核环节。材料约束得分上升，意味着对来源忠实度要求高的文档生成或引用场景仍可继续使用。工程判断跌幅大，对需要多步决策的自动化流程，短期内应降低信任权重。
战略判断
基于单日数据，主榜下降主要由代码执行与工程判断拖累，材料约束的补偿表明模型整体能力未出现系统性退化。下一期评测若代码执行与工程判断同时回升，则确认本次为抽签波动；若持续低位，则需进一步验证。当前无需对GPT-o3整体能力下调结论，但重代码执行场景的使用者应提高警惕。
本次评测再次说明，Smoke评测单日波动幅度大，24.7分的代码执行降幅在小样本下属于可接受范围，但已接近需重点跟踪的阈值。材料约束的12.6分升幅提供了反向证据，支持波动而非退化的判断。
对选型企业而言，GPT-o3在材料约束维度的88.30分仍具竞争力，可在文档相关任务中作为备选。代码执行69.80分已低于多数主流模型日常水平，重度依赖代码生成的开发者应准备切换或并行验证方案。
工程判断74.80分与任务表达70.80分的同步下滑，进一步指向当日题目在推理链条上的集中失误，而非模型参数层面问题。诚信评级pass保持不变，排除了基础输出规范问题。
综合以上，GPT-o3本次Smoke评测异常最可能源于题目抽签波动，暂不构成模型真实退化的信号。建议下一期重点观察代码执行与工程判断是否同步回升，以确认趋势。
数据来源：赢政指数 (YZ Index) | Run #317 | 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