GPT-6 Astra评测：材料约束降29.1分，代码执行升19.5分

GPT-6 Astra在今日Smoke评测里的材料约束得分掉到60.70分，昨天还是89.80分，降幅29.1分；代码执行则从75.00分涨到94.50分。主榜整体分数由81.66分变成79.29分。

得分对比数据

代码执行维度昨日75.00分、今日94.50分，上升19.5分；材料约束维度昨日89.80分、今日60.70分，下降29.1分；工程判断从100.00分降至75.00分；任务表达从87.50分升至90.00分；诚信评级维持pass。

成因分析

Smoke评测每天只出10题、每个维度2题，单日分数的标准差本来就偏大。材料约束和代码执行一跌一涨、方向完全相反，更像是题目抽签带来的随机波动，而不是模型能力真的退步。材料约束的题目可能把严格的材料忠实度要求考得比较集中，正好撞上模型在特定约束下的短板；代码执行那边抽到的则是模型拿手的场景，于是两头分化。

工程判断侧榜（AI辅助评估）掉了25分，也说明当天题目组合的难度差异不小。任务表达小涨2.5分，表明模型在表达层面还算稳。

对使用者的含义

对重材料约束场景的企业来说，比如合同生成、知识库问答，单次Smoke只有60.70分，意味着在要求严格引用原文的任务里，幻觉或偏离可能更多。靠代码执行的开发者可以接着用这个模型，94.50分说明它在代码正确性上依然占优。

如果团队既要材料约束又要代码执行，属于混合场景，建议连着观察多日再定选型，别被单日波动带偏。

战略判断

就现有得分对比看，材料约束29.1分的跌幅最可能来自题目抽签，而不是模型真实退化；主榜只降2.4分也支持这个判断。下一期评测里材料约束若能回到80分以上，即可确认当天属于正常波动；若一直在70分以下，就得再验证模型在grounding维度的稳定性。

目前的数据还不足以对GPT-6 Astra做负面的战略下调，保持观察为宜。