Grok 4 代码执行从96.30分跌至69.50分，主榜单日下滑10分

Grok 4 在今日 Smoke 评测中主榜得分从昨日 90.86 分跌至 80.89 分，代码执行维度从 96.30 分骤降至 69.50 分，材料约束维度则从 84.20 分升至 94.80 分。

数据事实拆解

主榜仅由代码执行与材料约束两个维度构成。今日代码执行单日损失 26.8 分，直接拉低主榜约 13.4 分；材料约束同期回升 10.6 分，部分抵消了跌幅，最终主榜净跌 10 分。工程判断侧榜（AI 辅助评估）从 61.10 分跌至 36.10 分，任务表达侧榜（AI 辅助评估）从 70.00 分升至 90.00 分。诚信评级维持 pass。

Smoke 评测每日仅 2 题/维度，共 10 题。单题得分权重高，题目抽签差异可造成 20 分以上波动。

成因分析

代码执行维度跌幅远超材料约束升幅，最可能源于今日抽中的 2 道代码题难度或类型与模型当前弱点匹配。材料约束维度得分上升，说明同一批题目中对材料忠实度的要求模型反而完成更好，排除整体能力系统性退化。

工程判断与任务表达两个侧榜同步出现 25 分与 20 分级波动，进一步印证本次评测受题目随机性影响较大，而非模型参数或训练发生变化。

对使用者的含义

重度依赖代码生成的团队需注意：Grok 4 在 Smoke 评测中代码执行得分已出现单日 26.8 分级波动，意味着在特定编程任务上可能出现不可预测的失败。材料约束得分回升至 94.80 分，显示其在需要严格遵循给定文档或指令的场景中仍保持较高可靠度。

对同时使用多个模型的开发者而言，Grok 4 今日表现提示可将其作为材料处理备选，但代码执行环节仍需保留人工复核或并行调用其他模型。

战略判断

基于现有得分对比，Grok 4 本次主榜下滑主要由代码执行维度单日抽签波动驱动，而非模型真实退化。材料约束维度的同步提升也支持这一判断。建议下一期 Smoke 评测继续追踪代码执行得分，若连续两日低于 80 分再考虑模型能力变化。

目前数据不支持对 Grok 4 代码能力下调结论，单日 10 题测试的固有波动是更合理的解释。

数据来源：赢政指数 (YZ Index) | Run #335 | 查看原始数据