Grok 4 趋势上涨 6.9 分领跑，GLM-4.6 暴跌 83.5 分至 0

2026-09-07 至 2026-09-13 期间，Grok 4 首日 80.13 分升至末日 87 分，趋势 +6.9，均值 85.8 分，波动 17.2；GLM-4.6 首日 83.49 分跌至末日 0 分，趋势 -83.5，均值 20.7 分，波动 83.5。

上升模型数据与机制

Grok 4 首日 80.13 分、末日 87 分，趋势 +6.9，均值 85.8 分，波动 17.2。GPT-o3 首日 77.5 分、末日 85.15 分，趋势 +7.7，均值 80.4 分，波动 32.2。豆包 Pro 首日 80.85 分、末日 85.15 分，趋势 +4.3，均值 86.3 分，波动 20.9。Claude Opus 4.7 首日 61.25 分、末日 63.59 分，趋势 +2.3，均值 71.4 分，波动 23.5。Qwen3 Max 首日 55.99 分、末日 57.65 分，趋势 +1.7，均值 66.5 分，波动 30.5。

上升模型中，Grok 4 与 GPT-o3 的趋势增幅超过 6 分，豆包 Pro 均值最高。波动值低于 21 的 Grok 4 与豆包 Pro，显示回答一致性较强。GPT-o3 波动 32.2，高于 Grok 4，说明其单日得分起伏更大。

下降模型数据与机制

DeepSeek V4 Pro 首日 83.49 分、末日 77.34 分，趋势 -6.1，均值 77.9 分，波动 23。Gemini 3.1 Pro 首日 83.49 分、末日 73.25 分，趋势 -10.2，均值 77.3 分，波动 39.4。GLM-4.6 首日 83.49 分、末日 0 分，趋势 -83.5，均值 20.7 分，波动 83.5。GPT-5.5 首日 72.03 分、末日 60.87 分，趋势 -11.2，均值 75.9 分，波动 34.4。Gemini 2.5 Pro 首日 71.16 分、末日 59.5 分，趋势 -11.7，均值 74.4 分，波动 29.3。Claude Sonnet 4.6 首日 65.24 分、末日 53.56 分，趋势 -11.7，均值 73.1 分，波动 32.7。

下降模型中，GLM-4.6 波动 83.5，远高于其他模型，Gemini 3.1 Pro 波动 39.4 位居第二。GLM-4.6 末日直接归零，结合其诚信评级从 warn 开始且后续空白，显示回答一致性极低。Gemini 3.1 Pro 与 GPT-5.5 波动均超过 34，趋势下降超过 10 分。

诚信评级单独分析

GLM-4.6 诚信评级为 warn → warn → 空白，连续出现非 pass 状态，与其波动 83.5 直接对应。Grok 4 诚信评级为 pass → warn → warn → pass → pass → pass → pass，中间两日 warn 后恢复 pass，其波动仅 17.2，低于多数下降模型。诚信评级 warn 的时段与得分波动扩大存在关联，GLM-4.6 的空白记录进一步印证其回答不稳定。

对使用者的场景含义

重代码执行场景的团队，Grok 4 均值 85.8 分且波动 17.2，适合作为主力模型；GPT-o3 均值 80.4 分但波动 32.2，需准备备选方案应对单日波动。材料约束敏感的场景，豆包 Pro 均值 86.3 分最高，可优先考虑。GLM-4.6 均值仅 20.7 分且末日 0 分，对依赖稳定输出的开发者构成直接风险。

工程判断侧榜显示，波动超过 30 的模型在连续 7 天测试中得分差异显著，Gemini 3.1 Pro 波动 39.4、GPT-5.5 波动 34.4，均高于上升模型的平均水平。任务表达侧榜中，诚信评级 warn 的模型需额外人工复核输出。

战略判断

基于 2026-W37 数据，Grok 4 与豆包 Pro 的低波动高均值组合，在当前样本中表现突出；GLM-4.6 的高波动与诚信问题使其被低估风险最高。Gemini 3.1 Pro 尽管首日与 DeepSeek V4 Pro 同为 83.49 分，末日却低 3.91 分，显示其一致性不足。下一期需验证 Grok 4 是否维持趋势 +6.9 以上的增幅，以及 GLM-4.6 是否持续空白记录。

Claude Opus 4.7 趋势 +2.3 但均值 71.4 分，适合对稳定性要求中等的场景；Qwen3 Max 趋势 +1.7 且均值 66.5 分，波动 30.5，需观察其是否能缩小与头部模型的 20 分差距。所有判断均直接来自首末日得分、趋势值、均值与波动数据。

数据来源：赢政指数 (YZ Index) | Run #320 | 查看原始数据