GPT-6.1 Sol评测：材料约束跌29.1分，代码执行涨19.5分

今日Smoke评测里，GPT-6.1 Sol的材料约束得分由89.80分掉到60.70分，少了29.1分；代码执行则从75.00分升到94.50分，多了19.5分。主榜得分从81.66分下滑到79.29分。

核心维度对比数据

主榜只由两个可审计维度组成：代码执行和材料约束。材料约束昨天89.80分，今天60.70分，一天掉了29.1分；代码执行昨天75.00分，今天94.50分，一天涨了19.5分。两项加权之后，主榜净降2.4分。工程判断从100.00分降到75.00分，任务表达从87.50分降到85.00分，诚信评级仍然是pass。

波动成因分析

Smoke评测每天只出10道题，每个维度2道，样本量很小。材料约束一天跌29.1分、代码执行同时涨19.5分，更像是题目抽签的随机分布造成的，而不是模型参数出现了系统性退化。材料约束的题如果扎堆在必须严格引用给定材料、不许用外部知识的场景，模型错一次就可能把整个维度的分数拉下来。代码执行的题要是正好落在模型擅长的算法或调试题型上，分数自然往上走。两个维度朝相反方向动，也给抽签波动的解释添了一层依据。

材料约束60.70分与代码执行94.50分形成反差，指向的是题目内容，而非模型能力本身发生了结构性变化。

对使用者的具体含义

对高度依赖材料忠实度的企业团队来说，GPT-6.1 Sol今天材料约束只有60.70分，意味着在必须严格遵循输入文档、禁止幻觉的场景里，单次调用的风险明显上升。代码执行94.50分则说明，纯编程任务上这个模型依然比较能用。靠工程判断做事的开发者要留意侧榜75.00分，这提示在需要架构决策或权衡的环节，模型输出的一致性可能不如预期。

战略判断

按眼下这些数据，GPT-6.1 Sol主榜79.29分还在可用区间，但材料约束单日29.1分的波动已经超出正常抽签能解释的范围。下期Smoke评测如果材料约束仍低于70分，就得考虑模型真实退化的可能；要是回到80分以上，则可判定今天属于孤立的抽签事件。工程判断侧榜75.00分和材料约束60.70分一起走低，下期应重点验证两者是否存在共同机制。

诚信评级维持pass，表明模型没有出现系统性造假或回避回答的情况。稳定性维度这次没给具体数值，无法据此判断回答一致性。总体看，今天数据最直接的信号是材料约束维度对小样本题目高度敏感，使用者在关键任务中应增加人工复核环节。