在今日Smoke评测中，Grok 4的材料约束得分从75.00分降至57.60分，下降17.4分，而代码执行从74.40分升至82.30分，主榜整体从74.67分降至71.19分。
得分对比与核心事实
昨日到今日的具体变化如下：代码执行74.40分→82.30分（+7.9分），材料约束75.00分→57.60分（-17.4分），工程判断62.00分→55.60分（-6.4分），任务表达77.90分→85.00分（+7.1分），主榜74.67分→71.19分（-3.5分）。诚信评级维持pass。
材料约束暴跌的可能成因
Smoke评测每日仅10题，2题/维度，单日分数波动属于正常范围。材料约束维度主要考核模型对给定材料的忠实度与约束遵守。今日57.60分较昨日75.00分下降17.4分，最可能源于抽签题目中出现更高比例的严格材料约束题型。代码执行同时上升7.9分，显示模型在代码相关任务上的表现并未同步退化，因此本次材料约束下滑更接近题目抽签波动，而非模型真实能力退化。
对使用者的具体含义
对重度依赖材料忠实度的企业场景，例如合同审查、政策解读、内部文档问答，Grok 4今日表现提示需增加人工复核环节。代码执行得分升至82.30分，对以代码生成和调试为主的开发者团队而言，今日数据反而显示可用性提升。工程判断降至55.60分，对需要复杂决策链的场景，建议暂时降低依赖权重。
战略判断
基于单日数据，主榜下滑3.5分主要由材料约束拖累。材料约束与代码执行呈现明显反向波动，说明模型在不同维度上的稳定性存在差异。稳定性维度衡量的是多次回答同类题目的分数标准差，今日材料约束的大幅波动可能推高该维度的标准差，降低整体一致性评分。是否需要持续关注，取决于下期评测中材料约束能否回升至70分以上区间。若连续两日材料约束保持在60分以下，则可判定为需要重点跟踪的信号。
本次评测再次印证Smoke测试适合捕捉短期异常，但不宜直接等同长期能力排序。Grok 4在任务表达维度升至85.00分，显示其在任务拆解与表达清晰度上仍有优势。企业选型时，可将材料约束57.60分作为重材料场景的即时参考值，而非最终结论。
数据来源：赢政指数 (YZ Index) | Run #401 | 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