GPT-o3材料约束暴跌20分 主榜反升4.8分

GPT-o3在今日Smoke评测中，材料约束从70.00分跌至50.00分，工程判断从100.00分跌至50.00分，主榜得分却从72.75分升至77.50分。

得分变化细节

代码执行从75.00分升至100.00分，任务表达从91.70分升至95.00分，诚信评级维持pass。材料约束与工程判断两项维度各跌20分和50分，抵消了代码执行带来的25分增益后，主榜仍实现4.75分净增长。

成因分析

Smoke评测每日仅10题，每维度2题，样本量极小。材料约束暴跌20分最可能源于今日抽中的2题恰好触及模型在引用原始材料时的弱点，而昨日抽中的2题则未触发该弱点。工程判断从100.00分跌至50.00分同样指向题目抽签波动：工程判断侧重实际部署场景的取舍，单题失误即可导致50分级差。

代码执行升25分则显示模型在今日抽中的代码题上表现稳定或更好。两种维度方向相反的剧烈变化，符合小样本抽签导致的随机波动特征，而非模型参数在一天内发生系统性退化。

对使用者的含义

重度依赖材料忠实度的企业场景，例如合同条款抽取、政策文件比对，将面临GPT-o3今日暴露的50.00分水平风险。开发者在构建RAG流水线时，需额外增加材料约束的校验层，以防单次回答出现大范围遗漏或改写。

代码执行得分升至100.00分的表现，对纯算法实现、重代码生成的任务仍有参考价值。工程判断跌至50.00分则提醒，依赖模型做部署决策的团队应降低对单次输出的信任权重。

战略判断

基于现有得分对比，GPT-o3材料约束与工程判断的同步大跌更可能是抽签波动，而非真实退化。主榜得分上升4.8分的事实也支持这一判断：整体能力未出现系统性下滑。

若下一期Smoke评测中材料约束仍维持在50.00分附近，则需将该维度列为重点观察对象，验证是否存在持续性弱点。目前单日数据不足以支持模型被低估或高估的结论，仅构成需要持续跟踪的信号。

数据来源：赢政指数 (YZ Index) | Run #312 | 查看原始数据