GPT-5.5在今日Smoke评测的代码执行维度上,得分从前一日的99.80分滑到75.00分,掉了24.8分;主榜整体则只从81.58分降到78.74分,跌幅2.8分。

先把各维度两天的得分摆在一起看。

代码执行由99.80分变为75.00分,减少24.8分;材料约束由59.30分升到83.30分,增加24分;工程判断(侧榜,AI辅助评估)从100.00分落到75.00分,减少25分;任务表达(侧榜,AI辅助评估)从100.00分降到90.00分,减少10分;主榜由81.58分退至78.74分,减少2.8分。诚信评级仍为pass。

Smoke评测每天每个维度只抽2道题,样本量相当有限,单日分数的标准差本就偏大。代码执行和工程判断同日跌掉约25分,说明当天抽到的2道代码题,很可能让模型在特定约束下执行失败。

这到底是抽题的偶然,还是能力真的退了一步?

材料约束反而涨了24分,可见同一批题目里模型对材料的忠实度控制是加强的。主榜这两项维度一升一降、走势相反,基本可以排除整体能力系统性退化的说法。工程判断(侧榜,AI辅助评估)跟着大跌,更像是代码执行失败之后,后续的工程决策链随之断掉。

最可能的原因还是题目抽签:当天的代码题也许带了更严的边界条件,或者需要多步依赖,正好撞上模型长链执行时容易出问题的地方。材料约束分数走高,也说明模型并非“变笨”,只是换了约束之后表现出现分化。

对实际用模型的人来说,这些数字意味着什么。

代码比重大的团队选型时,要把GPT-5.5这种单日波动算进预算。要是场景需要连续多轮生成和调试代码,今天这75.00分说明它在某些题目上有明显短板,最好加一道人工review,或者同时调用别的模型。

而对看重材料忠实度的场景,比如合同抽取、报告生成,今天的83.30分反倒是好消息——约束收紧时,GPT-5.5的输出质量依然能维持较高水平。

战略判断

按眼下这份数据,GPT-5.5的主榜排名被单日代码执行的波动拖了后腿,但材料约束同步走高,说明核心能力没有崩。下一期评测要盯紧代码执行能否回到90分以上;若连续两日低于80分,就得下调对它代码执行的长期预期。

工程判断(侧榜,AI辅助评估)与代码执行跌幅相同,也印证两者在真实任务里耦合很紧。靠工程判断吃饭的下游应用,在Smoke评测连续波动超过20分时就该启动备选模型的切换预案。

诚信评级保持pass,表明模型没有出现系统性的作答不一致,幻觉也没有激增。综合来看,这次暴跌更像一次抽签事件,而非模型退化,适合继续跟踪,不必马上下结论。