DeepSeek V4 Pro在今日Smoke评测中，代码执行维度得分从94.50分降至72.00分，主榜整体从92.39分下滑至84.60分。
得分对比数据
材料约束从89.80分升至100.00分，任务表达从65.00分升至87.50分，工程判断保持100.00分不变，诚信评级维持pass。
数据事实拆解
Smoke评测每日仅10题，每维度2题，单日波动属于正常范围。代码执行-22.5分与材料约束+10.2分、任务表达+22.5分同时出现，显示模型在不同维度上的表现出现明显分化。
可能成因分析
题目抽签波动是首要解释。每日2题的代码执行样本量极小，一道复杂多步推理题或一道简单计算题即可造成20分以上 swings。材料约束与任务表达同时提升，说明模型整体输出能力未出现系统性退化，更可能是本次抽中的代码执行题目恰好暴露了特定弱点。
真实退化可能性较低。工程判断维持满分，材料约束达到满分，表明模型在约束遵循与判断逻辑上保持稳定。若为参数层面退化，通常会伴随多维度同步下滑，而非此消彼长。
对使用者的含义
重度依赖代码执行的团队今日需额外验证输出。金融建模、数据处理脚本生成等场景中，72.00分水平意味着错误率可能上升，建议增加人工复核环节。
对材料忠实度敏感的场景则可放心使用。材料约束100.00分显示模型在引用与约束遵守上达到最佳水平，适合文档生成、合规检查类任务。
战略判断
本次波动更可能源于题目抽签而非模型退化。单日Smoke数据不足以判定长期趋势，建议连续三日观察代码执行维度是否回升至90分以上。若持续低于80分，则需启动正式长榜复测。
主榜84.60分仍高于多数竞品日常水平，DeepSeek V4 Pro整体竞争力未受根本影响。开发者可继续使用，但对代码执行任务增加单元测试覆盖率。
代码执行72.00分与材料约束100.00分同时出现，指向题目抽签而非模型退化。
工程判断与诚信评级保持满分与pass，排除系统性能力下降。下一期Smoke若代码执行回升，则本次事件可归为正常统计噪声。
选型企业应将Smoke每日波动纳入监控体系，而非单日数据直接下结论。DeepSeek V4 Pro在材料约束与工程判断上的稳定表现，仍是其核心优势。
数据来源：赢政指数 (YZ Index) | Run #380 | 查看原始数据
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接