Para comprender sistemáticamente el rendimiento de las previsiones operativas de los modelos numéricos, estadísticos y de conjuntos actuales para O en Beijing-Tianjin-Hebei y regiones circundantes, se realizó una evaluación integral de los 30 conjuntos de modelos respecto a las previsiones de O en junio-julio de 2023. Se encontró que los parámetros de evaluación para las previsiones de O en los próximos 1-3 días eran más razonables y prácticamente significativos que los de plazos más largos. Cuando la concentración máxima diaria promedio de 8 horas de O estaba por debajo de 100 g/m o por encima de 200 g/m, se observó una disminución significativa en el porcentaje de modelos precisos. A medida que aumentaba el número de días contaminados en las ciudades, el porcentaje general de modelos precisos mostró una tendencia a la baja. Los modelos estadísticos demostraron un mejor rendimiento general en términos de métricas como el error cuadrático medio, el sesgo medio estándar y el coeficiente de correlación en comparación con los modelos numéricos y de conjuntos. Los modelos numéricos mostraron variaciones significativas en el rendimiento, siendo el modelo numérico de mejor rendimiento comparable al de los modelos estadísticos. Este hallazgo sugiere que el ajuste continuo de los modelos numéricos operativos tiene un efecto práctico más pronunciado. Aunque el mejor modelo estadístico tuvo una mayor precisión que los modelos numéricos y de conjuntos, mostró una sobreestimación significativa cuando las concentraciones de O eran bajas y una subestimación significativa cuando las concentraciones eran altas. En particular, la tasa de subestimación para los días de alta contaminación fue significativamente mayor que la de los modelos numéricos y de conjuntos. Esto implica que los modelos estadísticos pueden ser más propensos a perder eventos de contaminación por O de alta concentración.