GPT-5.5 Smoke评测：代码执行涨30.3分，材料约束降18分

GPT-5.5在今日Smoke评测里，代码执行拿到99.80分，昨天是69.50；材料约束61.30分，昨天为79.30；主榜从73.91升到82.48。

得分对比与核心发现

今天代码执行维度到99.80，比昨天多了30.3分；材料约束只有61.30，比昨天少了18分。工程判断和任务表达仍是75.00和90.00，没有变化，诚信评级还是pass。主榜由代码执行和材料约束两个维度加权算出来，今天82.48的涨幅，主要靠代码执行这一块拉上去。

可能成因分析

Smoke评测一天只出10道题，每个维度2题，样本这么少，单日分数上下跳属于正常。材料约束掉18分、代码执行涨30.3分，两个方向同时出现，更像是抽题时的随机性：今天抽到的代码执行题，或许更贴近模型眼下的训练分布；材料约束题里，或许有更多要求严格贴合原文的约束条件。两个维度反向大幅变动，找不到同方向系统性退化的证据，所以更可能是抽签波动，而不是模型能力真的退步。

代码执行99.80分和材料约束61.30分出现在同一天，说明模型在不同任务类型上的差距被放大了。

对使用者的含义

按今天的数据，偏重代码执行的团队可以拿到更高的置信度，99.80分说明模型在代码生成和调试场景里表现稳。靠材料忠实度的场景就有风险了，61.30分意味着模型更容易跑偏给定材料或指令，比较适合对原文忠实度要求不高的辅助写作。工程判断和任务表达没变，说明模型在侧榜能力上没出现明显波动。

战略判断

对照今天的得分，材料约束的-18分更该归到抽题波动上，而不是模型退化。主榜82.48的上升，说明代码执行权重在眼下评测里占优。下一期建议接着盯材料约束，要是连续两天低于65分，再考虑模型是不是真变了。目前的数据还撑不起下调GPT-5.5整体能力的判断。

工程判断75.00和任务表达90.00一点没动，这也印证主榜的波动集中在代码执行和材料约束这两个可审计维度。使用者可以照自己场景的权重来选：代码执行占比高的项目优先用，材料约束敏感的项目得加一道人工校验。

今天的数据完整记下了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分都是直接测出来的。超出这些数值的推断，都缺依据。