企业官网建设流程全解析

Qwen3 Max 在今日 Smoke 评测（Run #255）中交出了一份两极分化的成绩单：材料约束从昨日67.70分跌至47.70分，掉了20分；代码执行从54.70分飙到92.50分，涨了37.8分。两者加权后，主榜从60.55分升到72.34分，净涨11.8分。

得分拆解

主榜只有两个维度：代码执行和材料约束。今日代码执行92.50分，材料约束47.70分。侧榜方面，工程判断从72.20分降到55.60分，任务表达从31.70分涨到66.70分。侧榜不计入主榜。

20分跌幅怎么来的？

Smoke 评测材料约束维度每天只有2道题。单题得分波动可以直接拉出20分的分差。今日47.70分对应两题平均正确率约47.7%，昨日67.70分对应约67.7%。

如果今天两题碰巧都涉及严格引用原文或多段落一致性要求，模型输出偏差就会被放大扣分。代码执行同时暴涨37.8分，同样指向题目难度分布的变化，不是模型能力突然飞跃了。

代码执行92.50分与材料约束47.70分同时出现，说明模型在不同任务类型上的表现差异被当日题目放大。

对使用者的实际含义

重度依赖材料忠实度的场景需要留意。法律合同抽取、学术引用核对、长文档事实校验的团队，今天47.70分这个数字提示需要加人工复核。代码生成和调试为主的开发者可以继续用，92.50分的水平够用，但涉及材料引用的部分还是要验。

工程判断侧榜55.60分，对系统架构决策的参考价值打了折扣。任务表达66.70分，对提示词迭代有一定辅助作用。

是波动还是退化？

稳定性维度需要多次同类题目的标准差来计算，单日数据算不出来。材料约束单日-20分和代码执行+37.8分同时出现，更像抽签波动特征，不是模型参数级别的退化。诚信评级维持 pass，没有出现一致性或事实捏造问题。

怎么判断后续

Qwen3 Max 主榜上升主要由代码执行单维度拉动。材料约束的20分跌幅在2题样本下，不构成持续退化信号。

下一期 Smoke 评测如果材料约束还在55分以下，要重点验证。如果回升到65分以上，基本确认今天是抽签异常。企业选型的时候，建议连续观察三天材料约束得分的标准差。如果标准差超过15分，说明模型在材料约束维度一致性不够，适合当代码辅助工具用，但不太适合做核心知识工作的底座。

开发者可以针对材料约束这个弱项设计二次校验流程，降低47.70分水平下的潜在风险。