今日 Smoke 评测中，豆包 Pro 主榜成绩由 79.18 分滑落至 68.54 分，跌幅 10.6 分。

数据事实

分维度看，代码执行从昨日 78.50 分降到 68.40 分，少了 10.1 分；材料约束由 80.00 分降至 68.70 分，跌 11.3 分。工程判断从 100.00 分掉到 63.60 分，下降 36.4 分；任务表达从 87.90 分微降至 86.70 分，下降 1.2 分。诚信评级仍为 pass。

成因分析

工程判断一下少了 36.4 分，波动幅度最大。这最可能和当天抽到的题目有关——侧榜维度对具体题目比较敏感。Smoke 评测每天只出 10 题，每个维度 2 题，单日样本量本就有限，工程判断这类侧榜维度更容易被题目内容左右。而主榜两个核心维度代码执行和材料约束同时下滑约 10-11 分，可见这次不是某一个侧榜维度出了异常，整体回答的一致性都出了问题。

任务表达只降了 1.2 分，两相对照，模型在这一项上的输出风格还算稳定；一旦进入需要严格按材料作答或执行代码的场景，退化就明显了。不过现有数据还分不清这是题目抽签带来的随机波动，还是模型能力真的在下滑，得看后续多日的数据才能判断。

对使用者的含义

对重代码执行的团队来说，选用豆包 Pro 时得加一道人工校验。代码执行 68.40 分，意味着每 10 题里可能有超过 3 题执行出错。材料约束 68.70 分也说明，合同审核、数据提取这类对材料忠实度敏感的场景，模型可能漏掉内容或擅自改写。

工程判断只有 63.60 分，对靠模型做架构决策、方案评估的开发者影响不小，这类任务建议换工程判断得分更高的模型来做。任务表达 86.70 分还在可用区间，日常对话和内容生成受的影响不大。

战略判断

这次主榜丢掉 10.6 分，主要是代码执行和材料约束两个核心维度一起往下拉，工程判断 36.4 分的剧烈波动又进一步放大了整体跌幅。诚信评级维持在 pass，说明模型没有出现明显的幻觉或虚假信息问题。

眼下的数据足以把豆包 Pro 放进观察名单，下期重点看代码执行与材料约束能不能回升。要是这两个维度持续低于 70 分，生产环境里就该考虑调低它的权重。稳定性维度 31.7 分已经表明，这款模型单日分数起伏偏大，选型时最好参考多日平均分，别只看单日结果。