Grok 4在今日Smoke评测中代码执行维度从94.60分跌至74.40分，降幅达到20.2分，同时材料约束从45.00分升至75.00分，主榜得分从72.28分升至74.67分。
数据事实：单日维度剧烈反向波动
对比昨日与今日得分，代码执行下降20.2分，材料约束上升30分，工程判断上升31.4分，任务表达上升6.6分。主榜仅上涨2.4分，诚信评级维持pass。Smoke评测每日仅10题，每维度2题，单日分数标准差天然较大。
成因分析：题目抽签波动概率更高
代码执行与材料约束出现20分以上反向移动，最可能源于当日抽中的2道代码题难度显著高于昨日样本，而材料约束题恰好匹配模型优势。工程判断同步上升31.4分，进一步支持抽签随机性而非模型整体退化。若为真实能力下降，通常会伴随多个核心维度同步回落，而非主榜小幅上升。
代码执行74.40分 vs 昨日94.60分，材料约束75.00分 vs 昨日45.00分，两维度变化方向完全相反，指向题目分布差异。
对使用者的含义
重度依赖代码执行的开发者团队，今日数据提示需在关键任务前进行多次独立验证，避免单次Smoke结果误导。材料约束敏感的场景（如长文本忠实度要求高的文档处理），Grok 4今日75.00分表现反而提供更可靠参考。企业选型时应优先查看连续多日主榜均值，而非单日维度极值。
战略判断：主榜韧性值得持续跟踪
主榜得分逆势上涨2.4分，说明代码执行暴跌被材料约束与工程判断的提升完全对冲。基于当前数据，Grok 4并未出现系统性退化信号，但单日20.2分波动已超过正常抽签范围，建议下期验证连续三日代码执行标准差是否回落至15分以内。若标准差持续偏高，则需在生产环境增加冗余校验机制。
工程判断从30.60分升至62.00分，表明当日工程类题目更契合模型推理路径，这与代码执行下降形成互补，进一步印证随机性主导。任务表达保持71.30分至77.90分的温和上升，对需要清晰输出的应用场景提供稳定支撑。
综合全部维度，Grok 4今日表现更接近抽签驱动的正常波动，而非能力退化。重代码执行团队应在下轮评测中重点关注该维度是否回升至90分区间，主榜小幅上涨则为选型提供缓冲空间。
数据来源：赢政指数 (YZ Index) | Run #399 | 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