Grok 4在今日Smoke评测里，代码执行一项从94.00分掉到78.20分，少了15.8分；材料约束从71.40分涨到88.30分，多了16.9分。主榜得分则由83.83分降至82.75分，只降了1.1分。

数据事实：主榜与侧榜走势分道

这回Smoke评测只有10题，代码执行和材料约束属于可审计的主榜维度。代码执行一天丢了15.8分，材料约束同期补回16.9分，两边一抵，主榜净损失1.1分。工程判断从75.00分落到22.20分，任务表达从100.00分落到70.40分，两个侧榜维度跌幅都超过29分。诚信评级仍是pass，没有碰到门槛。

成因分析：题目抽签波动，还是模型真的退步了

Smoke评测每天每个维度只出2题，样本量很小，单日分数的标准差本来就偏高。代码执行和材料约束几乎是镜像般地一降一升，这更像题目抽签带来的随机性，不像模型能力结构出了系统性退化。真要是退化，一般会是多个主榜维度一起往下走，而不是这种一升一降的互补格局。

工程判断和任务表达这两个侧榜同时大幅下滑，同样说明题目难度或类型分布出现了集中偏移。侧榜题目可能更多涉及长链推理或格式要求严格的任务，而当天抽到的代码执行题，恰好把模型在特定约束下执行不稳的问题暴露了出来。

对使用者的含义

重度依赖代码执行的开发者团队要留心，单日78.20分已经低于前一天的94.00分。在需要高一致性代码生成的场景里，应当加一道人工复核。对材料约束敏感的RAG或文档处理场景倒是收到正面信号，88.30分说明当天模型对输入材料的忠实度有提升。

工程判断与任务表达侧榜波动剧烈，对需要稳定输出格式或工程决策的自动化流程来说是个潜在风险。拿Grok 4做多轮迭代的开发者，关键路径上要留人工校验节点，别让侧榜波动直接传到最终交付物上。

战略判断：还要不要持续盯着

这次主榜只降1.1分，核心能力没有系统性崩塌。代码执行与材料约束反向变动，更符合小样本抽签波动的特征，而不是模型权重或对齐策略发生了实质改变。下一期Smoke评测可以重点看代码执行能否回到90分区间；若连续两期都停在80分以下，再考虑启动更大样本的专项验证。

目前的数据还撑不起给Grok 4整体能力降档的结论。选型企业仍可把它列为候选模型，但在代码执行密集的场景要设置冗余验证机制。稳定性维度本期没有数据，长期一致性无从判断。