豆包 Pro以87.6分居首：2026-11-06 Smoke快测数据简报
2026-11-06 赢政指数 Smoke 快测覆盖 13 个模型，豆包 Pro 以 87.6 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。
AI安全不可假设可组合性：部署需独立测试
AI从业者深知部署系统与基础模型行为差异显著，但安全评估常错误假设可组合性。研究表明，微调等修改会导致安全分数不可预测地变化，正反方向均有可能。MLCommons强调需针对完整部署系统进行测试，其Candela服务提供带误差范围的可靠基准，支持团队判断修改影响。文章呼吁建立可预测的可组合性测试框架，以降低合规负担并助力监管。相关工作组欢迎研究者加入，推动AI安全评估进步。
MLCommons推出AILuminate Safety 1.2.1与Jailbreak 1.1基准
MLCommons近日发布AILuminate Safety 1.2.1和Jailbreak 1.1两项基准，开发者可通过Candela服务自测AI系统产生有害内容的风险及抗攻击能力。基准由80多家机构共识构建，覆盖12类危害场景，并采用确定性评估器提升准确性。公开结果显示27个系统表现差异显著，开放权重模型从第4到98百分位不等，而护栏系统接近满分。Jailbreak测试揭示攻击可使违规率从11.08%升至18.65%。新版支持更快、更可靠的评估，助力AI产品安全部署。
Candela 发布：AI 风险基准测试即服务
MLCommons 推出 Candela 平台，为开发者和部署者提供 AI 风险与可靠性基准测试服务。该平台基于 AILuminate 基准，支持 Safety 1.2.1 和 Jailbreak 1.1 等测试，覆盖暴力犯罪、金融健康法律建议等十二类危害及越狱攻击。采用封闭提示、私有分类器和项目反应理论评分，确保结果可比且防污染。支持练习测试、注释结果和官方结果三种模式，可测试完整系统配置。微软、NVIDIA、Google DeepMind 等成员公司已肯定其价值，助力跨组织 AI 治理与合规决策。
HiCache如何支撑多并行与分布式推理
Agentic应用会反复向模型提交超长且高度相似的历史上下文。HiCache在Radix cache基础上把KV复用扩展到主机内存与外部存储，并进一步适配CP、PP、Speculative decoding和P/D分离等生产级推理架构。
SGLang 弹性 EP 扩容：用 NIXL 无重启扩展 MoE 推理
SGLang 引入 Elastic Expert Parallelism Scaling，让 MoE 推理服务可在运行中细粒度增加 GPU，无需完整副本或重启。借助 Mooncake PG 与 NIXL，系统在 8×H100 测试中比重启更快完成扩容，并支持 CUDA graph 重捕获与 EPLB 重平衡。
SGLang 推出 AWS Trainium 插件 Beta：让推理与 RL Rollout 跑上专用 AI 芯片
SGLang 团队宣布与 AWS 合作推出 SGLang Trainium plugin Beta，基于新发布的 TorchNeuron，为 AWS Trainium2 与 Trainium3 提供 LLM 推理服务和 RL rollout 支持。该插件旨在帮助团队以更高性价比运行开放模型服务与后训练流程，并探索 Trainium 与 GPU 混合部署的异构 RL 新范式。
MI355X 上训练 SWE 智能体：Miles 如何驯服长尾轨迹
AMD 与 Miles 团队在 AMD Instinct MI355X 上，用 Miles、SGLang、Megatron-LM 和 Harbor 对 Qwen3-30B-A3B-Instruct 进行全异步 agentic RL 训练，将 SWE-bench Verified 子集 pass@1 从 7.3% 提升至 27.5%。
不止对标 DeepInfer：SGLang 交付了什么
DeepSeek 开源 DeepInfer 后，SGLang 团队用 DeepInfer 自身基准在相同硬件上复测 DeepSeek-V4.1-Flash。结果显示，SGLang 在 prefill 吞吐、decode 步长等关键指标上持平或领先，并补齐了完整推理服务所需的 KV cache、PD 分离和负载均衡能力。
miniTE报告：原生NVFP4如何稳定高效训练RL
InfiX.ai、Slime与SGLang团队分析了原生NVFP4在大模型RL中后期失稳的原因，覆盖量化、激活缩放、KV cache与执行路径差异，并提出TRIAGE与miniTE两条路线，在8×B300上实现约1.33–1.37倍学习器更新加速。
SGLang 安全更新：强化请求隔离机制
2026年9月，Cloudflare向SGLang团队报告了GLM-5.3部署中存在的跨请求KV cache暴露漏洞。该漏洞源于异步RDMA传输与请求中止路径的竞态条件，可能导致用户会话数据泄露。团队与Cloudflare合作修复了准入拒绝路径，并引入延迟KV cache释放机制等改进。本文详细解析问题根源、影响范围及上游修复方案，为SGLang运维者提供安全指导。
GPT-6 Astra 与 GPT-6.1 Sol并列81.66分：2026-11-05 Smoke快测数据简报
2026-11-05 赢政指数 Smoke 快测覆盖 13 个模型，GPT-6 Astra 与 GPT-6.1 Sol 以 81.66 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。
WDCD v3.1：Claude Opus 4.7逆涨8分 豆包Pro跌10.1分
本期WDCD v3.1测试中，Claude Opus 4.7得分上升8分至89.30，豆包 Pro下降10.1分，GPT-5.5下滑5.6分，GPT-6 Astra以90.50分位列第一。上升模型3个、下降模型5个，守约能力出现明显分化。
业务规则成守约最大难点，doubao-pro 1.2分 GPT-5.5 偏科2.7分
业务规则场景全体得分最低，doubao-pro仅1.2/4；数据边界区分度最大，gpt-5.5从4分跌至1.3分差距2.7。claude系列与glm-4.6在多场景守约更稳，企业接入生产流程需按场景加护栏。
15模型R3仅1次崩溃：Qwen3 Max R1-R3全0其他零失守
v2锚点题数据显示，R1平均确认率0.93，R2抵抗率0.67，R3诚信率86.7%，仅Qwen3 Max出现1次R3完全崩溃（0/2分）。其他14个模型R3崩溃率为0。分析聚焦v2三轮数据揭示的守约衰减机制及生产接入风险。
WDCD守约榜GPT-6 Astra 90.50分第一 豆包Pro 58.70分垫底差距31.8分
GPT-6 Astra以90.50分位居WDCD v3.1守约排行榜首位，豆包Pro 58.70分垫底，15模型中满分率50%，R3崩溃率0.7%。头部三名与尾部差距超过31分，Claude Opus 4.7单期提升8.0分。
Claude Sonnet 4.6 主榜暴跌11.1分，代码执行与材料约束双双失守
Claude Sonnet 4.6今日Smoke评测主榜从84.90分跌至73.76分，下降11.1分。代码执行降10.1分至78.80，材料约束降12.4分至67.60，工程判断与任务表达上升，诚信评级从pass转为warn。单日10题抽签波动正常，但核心维度同步下跌且诚信信号变化值得关注。
GPT-6 Luna主榜暴跌11.5分，代码执行从100跌至74.3
GPT-6 Luna今日Smoke评测主榜从87.27分跌至75.79分，代码执行维度从100.00分暴跌至74.30分，材料约束升至77.60分，诚信评级从pass变为warn。单日10题抽签波动或模型一致性问题需重点验证。
GPT-5.5以94.8分居首：2026-11-04 Smoke快测数据简报
2026-11-04 赢政指数 Smoke 快测覆盖 12 个模型，GPT-5.5 以 94.8 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-5.5 与 GPT-6 Astra 与 GPT-6 Luna 与 GPT-6 Sol并列87.27分：2026-11-03 Smoke快测数据简报
2026-11-03 赢政指数 Smoke 快测覆盖 13 个模型，GPT-5.5 与 GPT-6 Astra 与 GPT-6 Luna 与 GPT-6 Sol 以 87.27 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。
GPT-6 Astra 与 GPT-6 Sol并列84.9分：2026-11-02 Smoke快测数据简报
2026-11-02 赢政指数 Smoke 快测覆盖 14 个模型，GPT-6 Astra 与 GPT-6 Sol 以 84.9 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。
Qwen3 Max WDCD暴跌26.2分 仅2模型逆势上涨12模型下滑
本期WDCD v3.1测试中，15个模型仅DeepSeek V4 Pro与GPT-6.1 Sol两家上涨，其余12家全部下降，Qwen3 Max跌幅达26.2分。Gemini 3.1 Pro以91.00分保持首位，GPT-6 Luna与GPT-o3分别下滑15.8分和11.9分，显示多轮渐进施压下多数模型守约生存能力出现明显衰减。
WDCD横评：数据边界全员崩盘最低1.36，工程规范却集体4分
WDCD v3.1试点数据显示，数据边界场景全体模型得分最低，qwen3-max仅1.36/4；工程规范最易守约，gemini-3.1-pro拿下4/4。安全合规区分度最大，gpt-6-luna与grok-4差距2.13分。五大场景中偏科模型达8个，企业接入生产流程需按场景加护栏。
WDCD三轮锚点：Qwen3 Max 30.8%全崩 Grok 4零崩溃
v2锚点题显示，R1确认率93%、R2抵抗率69%、R3诚信率仅50.9%，Qwen3 Max R3崩溃率30.8%，Grok 4为0%。多约束场景下模型“先答应后崩盘”现象突出，生产接入需重点关注安全合规与数据边界护栏。
WDCD守约榜：Gemini 3.1 Pro 91分领跑 Qwen3 Max 58.85分垫底差距32分
Gemini 3.1 Pro以91.00分位居WDCD守约排行榜首位，Qwen3 Max以58.85分垫底，首尾差距32.15分。15个模型中满分率41%，R3崩溃率9.2%。头部模型在v2锚点R3平均得分1.38以上，尾部模型R1即归零，显示多轮施压下的守约差异直接决定生产可用性。
GPT-o3材料约束暴跌25分 代码执行反涨20.1分 主榜仅降0.2
今日Smoke评测中GPT-o3材料约束从88.30分跌至63.30分，降幅25分；代码执行从69.00分升至89.10分，升20.1分；主榜从77.69分微降至77.49分。工程判断与任务表达侧榜波动更大。
Grok 4代码执行暴跌15.8分 主榜仅降1.1分
Grok 4在今日Smoke评测中代码执行从94.00分跌至78.20分，降15.8分；材料约束从71.40分升至88.30分，涨16.9分；主榜从83.83分微降至82.75分。工程判断与任务表达侧榜同步大跌，诚信评级维持pass。
Claude Opus 4.7趋势47.8分领跑，GPT-6.1 Sol 7天持平86分
2026-10-26至2026-11-01 Smoke评测显示，Claude Opus 4.7趋势47.8分、末日98.79分居首，但波动47.8分；GPT-6.1 Sol均值82.5分持平86分；DeepSeek V4 Pro与GLM-4.6诚信评级出现warn或fail信号，GPT-6 Astra末日97.25分实现13.8分上升。
Claude Opus 4.7以98.79分居首：2026-11-01 Smoke快测数据简报
2026-11-01 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 以 98.79 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-6 Sol主榜暴跌16.4分 代码执行从100直降66.8
GPT-6 Sol今日Smoke评测主榜从90.51分跌至74.14分，降幅16.4分。代码执行维度从100.00分暴跌至66.80分，材料约束小升4.2分至83.10分。工程判断从100.00分降至75.00分。单日10题快测下，此幅度波动需重点观察。