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 11.3 分。得分明细维度昨日今日变化代码执行97.8092.00-5.8材料约束78.9060.90-18.0工程判断81.9094.5012.6任务表达75.8076.700.9主榜仅由代码执行与材料约束加权构成0.55 × 代码执行 0.45 × 材料约束因此材料约束 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。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能力真实退化。对使用者的含义重度依赖材料约束的场景严格遵循格式、长度或禁止事项的文档生成Grok 4 今日输出一致性出现明显问题建议增加人工复核。代码执行场景92.00 分仍处于较高区间但较昨日有所回落精确代码生成任务建议增加验证环节。工程判断场景升至 94.50 分在需要工程权衡的任务中表现反而优于昨日。战略判断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。诚信评级维持 pass。下一期 Smoke 评测若材料约束维度继续低于 70 分需提高关注优先级若回升至 75 分以上本次下滑可判定为单次抽签异常。建议继续跟踪材料约束维度连续三日表现以区分随机波动与真实能力变化。
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 11.3 分。得分明细维度昨日今日变化代码执行97.8092.00-5.8材料约束78.9060.90-18.0工程判断81.9094.5012.6任务表达75.8076.700.9主榜仅由代码执行与材料约束加权构成0.55 × 代码执行 0.45 × 材料约束因此材料约束 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。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能力真实退化。对使用者的含义重度依赖材料约束的场景严格遵循格式、长度或禁止事项的文档生成Grok 4 今日输出一致性出现明显问题建议增加人工复核。代码执行场景92.00 分仍处于较高区间但较昨日有所回落精确代码生成任务建议增加验证环节。工程判断场景升至 94.50 分在需要工程权衡的任务中表现反而优于昨日。战略判断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。诚信评级维持 pass。下一期 Smoke 评测若材料约束维度继续低于 70 分需提高关注优先级若回升至 75 分以上本次下滑可判定为单次抽签异常。建议继续跟踪材料约束维度连续三日表现以区分随机波动与真实能力变化。
