Grok 4在今日Smoke评测中主榜得分从89.30分降至78.01分，降幅达到11.3分。
得分明细与核心变化
代码执行维度从97.80分降至92.00分，降幅5.8分；材料约束维度从78.90分降至60.90分，降幅18分；工程判断维度从81.90分升至94.50分，升幅12.6分；任务表达维度从75.80分升至76.70分，升幅0.9分。主榜仅由代码执行与材料约束加权构成，因此材料约束18分的单日下滑直接拉低主榜11.3分。
波动成因分析
Smoke评测每日仅10题，2题对应一个主榜维度，样本量小导致单日分数标准差天然偏高。材料约束维度本次丢分集中，推测与当日抽取的2道约束类题目在指令遵循或输出边界控制上出现较大偏差有关。代码执行维度降幅5.8分同样可能源于题目难度或测试用例的随机抽取，而非模型本身能力退化。工程判断维度反向上升12.6分，进一步支持本次变化更接近题目抽签波动，而非模型真实退化。
材料约束维度单日降18分是本次主榜下滑的直接主因。
对使用者的具体含义
重度依赖材料约束的场景，例如需要严格遵循格式、长度或禁止事项的文档生成任务，Grok 4今日表现显示输出一致性出现明显问题。代码执行场景下，92.00分仍处于较高区间，但较昨日97.80分有所回落，依赖精确代码生成的团队需增加人工复核环节。工程判断维度升至94.50分，说明在需要工程权衡的场景中，Grok 4本次表现反而优于昨日。
战略判断
基于本次得分对比，Grok 4主榜下滑主要由材料约束维度单日大降驱动，代码执行降幅相对温和。工程判断反向大幅上升，表明模型在不同维度间的表现存在明显不一致。当前数据不支持模型能力出现系统性退化的结论，更可能是Smoke评测小样本抽签导致的正常波动。下一期Smoke评测若材料约束维度继续低于70分，则需提高关注优先级；若该维度回升至75分以上，则本次下滑可判定为单次抽签异常。
诚信评级维持pass，未触发准入门槛问题。稳定性维度本次未提供新数据，无法直接判断回答一致性变化。选型企业应继续跟踪材料约束维度的连续三日表现，以区分随机波动与真实能力变化。
数据来源：赢政指数 (YZ Index) | Run #254 | 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