Grok 4在今日Smoke评测中代码执行得分从96.70分跌至74.30分，直接拉低主榜从88.33分降至75.38分，降幅13分。
得分明细与维度拆解
主榜由代码执行与材料约束两项加权构成。今日代码执行74.30分对比昨日96.70分，下降22.4分；材料约束从78.10分降至76.70分，仅下降1.4分。工程判断侧榜（AI辅助评估）从72.20分跌至36.10分，任务表达侧榜（AI辅助评估）从75.00分降至70.80分。诚信评级从warn升至pass。
波动成因分析
Smoke评测每日仅2题/维度，单题权重高。代码执行维度跌幅最大，指向今日抽中难度显著高于昨日的编程题目。材料约束保持相对稳定，说明模型对给定材料的忠实度未出现系统性退化。工程判断侧榜大幅下滑，可能同样源于当日题目对推理链条的更高要求，而非模型整体能力变化。
真实退化与抽签波动的区分在于跨维度一致性。材料约束仅微降，诚信评级反而改善，缺乏模型能力系统下滑的证据。单日10题测试的标准差天然较大，22.4分跌幅在小样本下属于正常范围。
对使用者的具体含义
重度依赖代码生成的团队需在今日场景下增加人工复核环节，尤其是涉及复杂算法或多步调试的任务。材料约束仍维持76.70分，对需要严格引用原文的文档处理场景影响有限。工程判断侧榜36.10分提示，在需要长链推理的架构设计任务中，当前输出一致性已低于昨日水平。
战略判断
本次下跌主要由代码执行维度单日抽签波动驱动，材料约束与诚信评级未同步恶化，因此不构成模型真实退化的明确信号。下一期Smoke评测若代码执行继续低于80分，则需提高关注优先级；若回升至90分以上，则确认今日为孤立波动。
数据来源：赢政指数 (YZ Index) | Run #330 | 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