豆包 Pro 主榜暴跌8分：代码执行94.5→45.8，材料约束47.6→89.3

今日 Smoke 评测里，豆包 Pro 的主榜成绩从前一天的73.40分滑到65.38分，少了8.02分。分维度看，代码执行由94.50分掉到45.80分，降了48.70分；材料约束从47.60分涨到89.30分，升了41.70分；工程判断由75.00分提高到95.50分，增加20.50分。任务表达仍是100.00分，没有变化；诚信评级保持pass。

数据事实拆解

主榜由代码执行和材料约束两项加权得出。今天代码执行的分数把主榜往下拽，材料约束同时上涨，只抵消掉一部分跌幅。工程判断和任务表达不计入主榜，但它们的变化说明模型在侧榜维度上走势不一。上述数值全部取自当日10题快测，每个维度2题。

成因分析：抽样波动还是真实退化

Smoke 评测每天每个维度只出2题，样本量很小，单题分数占的权重就高。代码执行从94.50分落到45.80分，最可能的原因是今天抽到的2道代码题正好撞上模型的薄弱处，单题丢分被放大。材料约束同期涨了41.70分，说明同一批题目里，模型对材料的忠实度反而表现更好。工程判断提高20.50分，同样指向抽题带来的随机性，而不是模型能力整体退步。任务表达连续两天满分，也进一步说明波动集中在个别维度上。

如果真是能力退化，一般会看到多个维度一起往下走，或者诚信评级发生变化。可今天诚信评级还是pass，材料约束和工程判断又都明显上升。所以眼下的数据更支持抽题波动的解释。

对使用者的具体含义

重度依赖代码执行的团队要留意：今天的45.80分说明，碰到某些编程任务，豆包 Pro 可能出大错。生产环境上线前，最好加一道本地代码测试，别直接信单次输出。材料约束拿到89.30分，则说明在需要严格照输入文档办事的场景里，比如合同审查、报告生成，这个模型表现更稳，这类任务可以优先选它。

工程判断95.50分，对需要模型帮忙做架构决策的开发者比较友好，但它属于侧榜指标，实际用起来还得人工复核。任务表达满分，意味着日常对话和需求表述环节风险不高。

战略判断

单日主榜波动8分，在小样本快测里算正常范围，可代码执行48.70分的极端跌幅，下一期还得接着验证。明天代码执行若能回到80分以上，基本可以判定是抽样偶然；要是连续两天低于60分，就得考虑模型在代码相关训练数据上是否存在潜在问题。材料约束和代码执行反向波动，也提示以后评测可以看看两个维度题目难度的相关性。

就现有数据看，豆包 Pro 主榜短期承压，主要来自代码执行抽题失利，不是整体能力下滑。选型企业该在代码重度场景多加冗余验证，在材料忠实场景则可以适当提高使用优先级。