Grok 4在今日Smoke评测中，材料约束得分从昨日的100.00直接降至84.20，跌幅达到15.8分，导致主榜整体从95.44下滑至90.86。
核心数据对比
代码执行维度从91.70升至96.30，涨幅4.6分；材料约束从100.00降至84.20，跌幅15.8分；工程判断（侧榜，AI辅助评估）从79.90降至61.10，跌幅18.8分；任务表达（侧榜，AI辅助评估）保持70.00不变；主榜最终结果为90.86；诚信评级从warn转为pass。
分数波动成因分析
Smoke评测每日仅10题，每维度2题，单日抽签波动本身会放大分数变化。材料约束与工程判断同时出现大幅下滑，指向本次抽中的题目可能对材料忠实度要求更高，或模型在引用约束上的表现出现明显不一致。代码执行得分上升，说明模型在该维度上的答题稳定性相对较好，并非整体能力退化。
材料约束维度直接影响主榜计算，15.8分的跌幅足以解释主榜4.6分的下滑。工程判断的18.8分跌幅虽为侧榜，但与材料约束的同步变化，提示模型在处理需要严格遵循给定材料的任务时，可能出现更多偏离或遗漏。
对使用者的具体含义
重度依赖材料约束的场景，例如合同审查、政策解读、长文档摘要，Grok 4今日表现提示需增加人工复核环节。代码执行得分96.30的水平，对编写和调试代码的开发者仍具参考价值，但材料约束84.20的水平会降低其在需要严格引用原文的任务中的可靠性。
诚信评级转为pass，表明模型在本次评测中未出现明显违规或幻觉输出，这对需要合规输出的团队是正面信号，但不能抵消材料约束下滑带来的使用风险。
战略判断
基于单日数据，主榜下滑主要由材料约束决定，代码执行的提升显示模型在不同维度间存在明显差异。工程判断与材料约束的同步下跌，指向本次题目抽签可能放大了模型在约束遵循上的不稳定性，而非持续退化。
该波动幅度已超出Smoke评测常见范围，建议下一期评测重点观察材料约束是否回升至95分以上。若连续两日保持在85分以下，则需将Grok 4从材料敏感型任务的首选名单中暂时移除。
目前数据不支持将此次下滑解读为模型整体能力下降，仅能判断材料约束维度在本次抽签下出现明显波动。对依赖主榜排名的选型团队而言，Grok 4今日90.86的主榜分数已低于昨日水平，使用时需按场景区分代码执行与材料约束两个维度的实际表现。
数据来源：赢政指数 (YZ Index) | Run #334 | 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