今天的 Smoke 评测里，豆包 Pro 主榜拿到65.38分，比昨天的73.40分少了8.02分。拆开看各维度：代码执行从94.50分掉到45.80分，降了48.70分；材料约束从47.60分升到89.30分，涨了41.70分；工程判断从75.00分升到95.50分，提高20.50分；任务表达仍是100.00分；诚信评级还是pass。

数据事实拆解

主榜成绩由代码执行、材料约束两项加权得出。今天正是代码执行把主榜往下拽，材料约束同期上涨，只抵消掉一部分跌幅。工程判断和任务表达不进主榜，但它们的变化说明模型在侧榜维度上表现并不一致。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，一道题就能左右不少分数。代码执行从94.50分落到45.80分，最可能的情形是今天抽到的2道代码题正好撞上模型不擅长的点，单题丢分被放大。材料约束同期涨了41.70分，说明同一批题里模型对材料忠实度的表现反倒更好。工程判断提高20.50分，同样更像抽题带来的随机性，而不是模型能力整体退步。任务表达连续两日满分，也让波动集中在特定维度这一点更清楚。

假如真是能力退化，一般会看到多个维度一起往下走，或者诚信评级出问题。可今天诚信评级仍是pass，材料约束和工程判断还都明显上升。所以眼下的数据更支持“题目抽签”这个解释。

对使用者的具体含义

对重度依赖代码执行的团队来说，今天的45.80分是个提醒：碰上某些编程任务，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89.30分则说明，在要严格照着输入文档办事的场景里，比如合同审查、报告生成，这个模型更稳，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，不过它属于侧榜指标，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

小样本快测里，主榜单日8分的波动算正常，但代码执行48.70分的极端跌幅，下期还得接着验证。明天代码执行若回到80分以上，基本可以认定是抽样偶然；要是连续两日低于60分，就得想想模型在代码相关训练数据上是不是有隐患。材料约束和代码执行反向波动，也提示以后评测可以留意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。选型企业可以在代码重度场景多加冗余验证，在材料忠实场景适当提高使用优先级。