Grok 4单日波动：代码执行跌20.2分，主榜反涨2.4分

今天的Smoke评测里，Grok 4的代码执行维度从94.60分掉到74.40分，一天之内下滑20.2分；材料约束却从45.00分升到75.00分，主榜得分也随之从72.28分涨到74.67分。

数据事实：单日维度剧烈反向波动

把昨天和今天放在一起看，代码执行少了20.2分，材料约束多了30分，工程判断多了31.4分，任务表达多了6.6分。主榜只涨2.4分，诚信评级仍是pass。Smoke评测一天就10道题，每个维度摊到2题，单日分数的标准差本来就大。

成因分析：题目抽签波动概率更高

代码执行和材料约束同时出现20分以上的反向移动，最可能的原因是当天抽到的2道代码题难度明显高于昨天的样本，而材料约束题恰好落在模型擅长的区间。工程判断同期上涨31.4分，也说明更像是抽签的随机性，而不是模型整体退步。真要出现能力下滑，通常是多个核心维度一起回落，不会像这次主榜还小幅上涨。

代码执行74.40分，昨天是94.60分；材料约束75.00分，昨天是45.00分。两个维度变化方向正好相反，指向的是题目分布差异。

对使用者的含义

如果团队重度依赖代码执行，今天这组数据提醒一件事：关键任务前要多做几次独立验证，别被单次Smoke结果带偏。反过来，对材料约束敏感的场景，比如长文本忠实度要求高的文档处理，Grok 4今天75.00分的表现反而更值得参考。企业选型时，先看连续多日的主榜均值，而不是单日某个维度的极值。

战略判断：主榜韧性值得持续跟踪

主榜得分逆势涨了2.4分，说明代码执行的暴跌被材料约束和工程判断的提升完全对冲掉了。就当前数据看，Grok 4没有出现系统性退化的信号，但单日20.2分的波动已经超出正常抽签范围。下一期可以验证连续三日代码执行的标准差能否回落到15分以内；如果标准差一直偏高，生产环境里就得加上冗余校验机制。

工程判断从30.60分升到62.00分，说明当天的工程类题目更贴合模型的推理路径，这和代码执行的下降正好互补，也进一步说明随机性占了主导。任务表达则从71.30分温和升到77.90分，对需要清晰输出的应用场景算是稳定支撑。

把所有维度放在一起看，Grok 4今天的表现更像抽签驱动的正常波动，而不是能力退化。重代码执行的团队下一轮评测要重点盯这个维度有没有回到90分区间，主榜小幅上涨则给选型留出了缓冲空间。