GPT-5.5今日Smoke评测结果出炉：代码执行得分99.80，昨日为69.50；材料约束得分61.30，昨日为79.30；主榜得分82.48，较昨日73.91有所回升。

得分对比与核心发现

代码执行这一维度今天拿到99.80，比昨天多了30.3分；材料约束则只有61.30，比昨天少了18分。工程判断和任务表达分别维持在75.00和90.00，诚信评级仍是pass。主榜由代码执行与材料约束两项加权得出，今天82.48的上涨，主要靠代码执行大幅拉升。

可能成因分析

Smoke每天只出10道题，每个维度2题，样本量小，单日分数出现波动并不奇怪。材料约束-18分和代码执行+30.3分同时发生，更像是抽题随机性在起作用：今天抽到的代码执行题可能更贴合模型当前的训练分布，材料约束题里则可能包含更多要求严格忠实原文的条件。两个维度反向大幅变动，没有同方向的系统性退化证据，所以更可能是抽签波动，而非模型真实能力下滑。

“代码执行99.80分与材料约束61.30分在同一日出现，说明模型在不同任务类型上的表现差异被放大。”

对使用者的含义

以代码为主的团队，按今天的数据可以更有底气，99.80分说明模型在代码生成和调试场景里表现稳定。看重材料忠实度的场景则有风险，61.30分意味着模型更容易偏离给定材料或指令，比较适合对原文忠实度要求不高的辅助性写作。工程判断和任务表达没有变化，说明模型在侧榜能力上没有明显波动。

战略判断

对照今天的得分，材料约束的-18分更可能来自抽题波动，而不是模型退化。主榜82.48的上升说明代码执行权重在当前评测中占优。下期应继续盯住材料约束维度，若连续两日低于65分，再考虑模型是否真的变了。现有数据不支持下调对GPT-5.5整体能力的判断。

工程判断75.00与任务表达90.00零变化，进一步说明主榜波动集中在代码执行和材料约束这两个可审计维度。使用者可以按自身场景分配权重：代码执行占比高的项目可优先选用，材料约束敏感的项目需加一道人工校验。

今天的数据完整记录了GPT-5.5在Smoke评测中的维度得分变化，代码执行99.80分、材料约束61.30分、主榜82.48分都是直接测量结果。超出这些数值的任何推断都缺乏支撑。