GLM-4.6 Smoke评测5维度全缺失 API故障致今日排名缺席
GLM-4.6今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据完全缺失，已进入自动补跑，本期不参与主榜排名。单日10题快测中此类技术中断为本次唯一记录。
Qwen3 Max材料约束暴跌16.9分 代码执行却暴涨64.3分
Qwen3 Max今日Smoke评测材料约束从90.90分跌至74.00分，代码执行从25.00分升至89.30分，主榜升至82.42分。核心发现显示两个主榜维度出现反向剧烈波动。
Claude Opus 4.7以100分居首：2026-09-18 Smoke快测数据简报
2026-09-18 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 以 100 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
GPT-o3以77.45分居首：2026-09-17 Smoke快测数据简报
2026-09-17 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 77.45 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Gemini 2.5 Pro WDCD暴涨25.1分 6模型进步仅豆包Pro跌6.3
本期WDCD v3.1测试显示Gemini 2.5 Pro上涨25.1分、Gemini 3.1 Pro上涨17.4分，DeepSeek V4 Pro以97.70分登顶，6模型进步仅豆包Pro下降6.3分，揭示多轮施压下守约能力分化。
WDCD横评：业务规则2.25分全场最低，工程规范成Claude唯一短板
WDCD v3.1试点数据显示，业务规则场景垫底分仅2.25分（doubao-pro），全体模型平均表现最差；数据边界场景glm-4.6仅1.7/4拉开最大单场景差距。Claude-opus-4.7在四场景满分却在工程规范跌至3/4，doubao-pro数据边界3.9/4与业务规则2.25/4差距1.65分。企业选型需针对性加护栏。
91% 确认后 36% 抵抗：GLM-4.6 三轮全崩暴露约束短板
v2 锚点题显示 11 模型 R1 平均确认率 0.91，R2 抵抗率仅 0.36，R3 诚信率 81.8%，仅 1/110 次完全崩溃。GLM-4.6 成为唯一 R1-R3 全 0 的模型，其余模型多在 R2 崩盘后 R3 恢复。
97.7 vs 75.2：DeepSeek V4 Pro 守约碾压 Qwen3 Max 22分差距
DeepSeek V4 Pro 以 97.70 分登顶 WDCD v3.1 守约榜，Qwen3 Max 75.20 分垫底，头部与尾部差距 22.5 分。R3 崩溃率仅 0.9%，满分率 60%，显示当前模型在多轮施压下的守约稳定性已进入新阶段。
Claude Sonnet 4.6以100分居首：2026-09-16 Smoke快测数据简报
2026-09-16 赢政指数 Smoke 快测覆盖 10 个模型，Claude Sonnet 4.6 以 100 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
豆包 Pro 材料约束暴跌15.9分 主榜下滑7.2分
豆包 Pro 今日 Smoke 评测中材料约束从80.20分跌至64.30分，下降15.9分，主榜从91.09分降至83.94分。代码执行保持100.00分不变，任务表达下滑8.3分至91.70分。诚信评级维持pass。
Claude Opus 4.7材料约束暴跌15.9分 主榜单日下滑7.2分
今日Smoke评测中，Claude Opus 4.7代码执行维持100.00分不变，材料约束从80.20分跌至64.30分，主榜从91.09分降至83.94分。工程判断侧榜跌25分，任务表达侧榜升16.7分。单日10题测试下，材料约束大幅波动是否反映真实退化值得追踪。
Gemini 2.5 Pro以100分居首：2026-09-15 Smoke快测数据简报
2026-09-15 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 2.5 Pro 以 100 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
GLM-4.6 Smoke评测5维度数据全缺 API故障致未上榜
GLM-4.6今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据完全缺失，已进入自动补跑，本期不参与排名，所有得分显示为“-”，无昨日对比数值。
GPT-o3主榜暴跌15分 代码执行从100跌至75
GPT-o3今日Smoke评测主榜从85.15分跌至70.19分，代码执行单维度暴跌25分至75分，材料约束微降2.7分。工程判断保持满分，任务表达升至100分。单日10题快测下，此类波动需区分抽签与真实退化。
Claude Opus 4.7 与 DeepSeek V4 Pro 与 豆包 Pro 与 GPT-5.5并列91.09分：2026-09-14 Smoke快测数据简报
2026-09-14 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 DeepSeek V4 Pro 与 豆包 Pro 与 GPT-5.5 以 91.09 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
SGLang 与 Miles 为 DeepSeek-V4.1 提供 Day-0 支持
SGLang 和 Miles 团队联合发布对 DeepSeek-V4.1 的 Day-0 支持，针对其低比率压缩、滑动窗口注意力、流形超连接及 Engram 内存等架构创新进行了深度优化。文章详述跨层 KV 共享、稀疏检索、主机内存 Engram 布局及 SWA 有界重放等技术细节。实测显示主机卸载使 KV 缓存容量提升 36%，解码器侧重放将预填充吞吐提升 1.56 倍，同时保持 AIME 2026 评测一致性。内核融合与量化感知训练进一步提升了推理效率，为大规模部署提供高性能解决方案。
GPT-5.5主榜暴跌21.4分 代码执行从97跌至75
GPT-5.5今日Smoke评测主榜从82.29分跌至60.87分，暴跌21.4分。代码执行97.00→75.00，材料约束64.30→43.60，工程判断维持100.00，任务表达91.70→81.70。诚信评级保持pass。
Claude Opus 4.7代码执行从97直降50 主榜暴跌18.7分
Claude Opus 4.7今日Smoke评测主榜从82.29分跌至63.59分，代码执行维度从97.00分暴跌至50.00分，材料约束则从64.30分升至80.20分。单日10题抽样下，代码执行47分跌幅主导整体下滑，需区分题目波动与真实能力变化。
Grok 4 趋势上涨 6.9 分领跑，GLM-4.6 暴跌 83.5 分至 0
2026-W37 Smoke 数据显示，Grok 4 从 80.13 升至 87（趋势 +6.9，均值 85.8），GPT-o3 趋势 +7.7，豆包 Pro 均值最高达 86.3；GLM-4.6 从 83.49 跌至 0（趋势 -83.5，波动 83.5），Gemini 3.1 Pro 波动 39.4。诚信评级出现 warn 的模型需重点关注。
Grok 4以87分居首：2026-09-13 Smoke快测数据简报
2026-09-13 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 87 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
豆包 Pro以83.94分居首：2026-09-12 Smoke快测数据简报
2026-09-12 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 83.94 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
Gemini 2.5 Pro代码执行暴跌25分 主榜下滑7.2分
Gemini 2.5 Pro今日Smoke评测代码执行从100.00分跌至75.00分，主榜从88.75分降至81.53分。材料约束升14.5分至89.50分，工程判断同步跌25分至50.00分。单日10题小样本下，需区分题目抽签波动与模型真实退化。
Grok 4 材料约束暴跌22.2分 主榜下滑5.2
Grok 4今日Smoke评测材料约束从100.00分跌至77.80分，下降22.2分，主榜从93.79降至88.64。代码执行升至97.50分，任务表达升至95.00分。单日10题测试下，维度得分剧烈波动最可能源于题目抽签。
豆包 Pro以95.28分居首：2026-09-11 Smoke快测数据简报
2026-09-11 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 95.28 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
MLPerf Storage v3.0 基准测试结果发布
MLCommons近日公布MLPerf Storage v3.0基准测试结果。该版本新增KV Cache和Vector Database两项测试，覆盖更多AI推理存储场景。同时引入S3对象存储访问层，支持更广泛存储系统性能比较。共有19家机构提交结果，其中11家为首次参与。测试还重点关注功耗效率，揭示了存储系统在AI应用中的能效表现，为训练与推理系统选型提供重要参考。
GPT-o3代码执行暴跌24.7分 主榜跌至78.13 Smoke评测异常需关注
GPT-o3今日Smoke评测代码执行从94.50分跌至69.80分（-24.7），主榜从86.04分降至78.13分（-7.9）。材料约束反升12.6分至88.30，工程判断跌22.2分。单日10题快测下，此波动幅度超出常规，需判断是抽签波动还是真实退化。
GPT-5.5代码执行暴跌22.5分 材料约束却飙升28.6分
GPT-5.5今日Smoke评测中代码执行从94.50跌至72.00，材料约束从71.40升至100.00，主榜仅从84.11升至84.60。单日10题抽样导致的波动仍是主因，需持续观察下一期数据以确认是否为真实退化。
Gemini 3.1 Pro以98.35分居首：2026-09-10 Smoke快测数据简报
2026-09-10 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 3.1 Pro 以 98.35 分位居当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不等同 Full 周榜结论。
7模型WDCD守约分集体下滑，Claude Sonnet 4.6逆涨8.6分
本期WDCD v3.1测试中，11个模型里7个分数下降，仅Claude Sonnet 4.6上升8.6分，GLM-4.6跌27分、Gemini 2.5 Pro跌23.8分。Grok 4以93.80分保持首位，GPT-o3 89.80分第二。守约能力分化加剧，对生产接入有直接参考价值。
安全合规场景最低分仅0.8，五大约束谁把模型守约能力打回原形
WDCD v3.1试点数据显示，安全合规场景全体得分最低，gemini-2.5-pro仅0.8/4，grok-4则拿下4/4；数据边界与业务规则平均得分最高，但11个模型在五大场景间普遍存在1.3-2.7分偏科差距，企业接入生产流程需针对性加护栏。