WDCD五大场景横评：业务规则成最难关，Grok-4满分Claude-sonnet仅1.8

WDCD v3.1测试显示，业务规则场景全体得分最低，Grok-4拿下4/4而Claude-sonnet-4.6仅1.8/4，差距达2.2分。工程规范场景得分最高且最均衡，资源限制与安全合规则暴露明显模型偏科，企业选型需按场景加护栏。

R3诚信率仅50.6%：Grok 4零崩溃 GPT-o3 20%崩盘

v2锚点题显示11模型R3平均诚信率50.6%，Grok 4零崩溃，GPT-o3与Qwen3 Max崩溃率20%。R1确认率99%到R2抵抗率67%再到R3的断崖，揭示多约束场景下的真实守约表现。

DeepSeek V4 Pro以83.23分居首：2026-07-26 Smoke快测数据简报

2026-07-26 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 83.23 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。

Claude Sonnet 4.6 与 Grok 4并列96.98分：2026-07-25 Smoke快测数据简报

2026-07-25 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 Grok 4 以 96.98 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。

MLPerf Tiny：超低功耗AI的关键基准

随着AI从数据中心走向门铃、助听器、工业传感器和可穿戴设备，如何公平衡量毫瓦级设备的性能与能效成为关键问题。MLPerf Tiny通过统一模型、任务、精度目标和能耗测量方法，为TinyML硬件与软件栈提供可比较的标准。

MLPerf Inference迈向智能体时代：新增多轮Agentic Inference基准

MLCommons提出Agentic Inference基准，将多轮智能体推理纳入MLPerf Endpoints框架。新基准覆盖编码助手与企业工作流两类真实轨迹，重点衡量长上下文、KV-cache复用、可变输出长度和闭环多轮依赖下的端到端服务能力。

MLPerf v6.1征集边缘Agentic推理基准结果

MLCommons Edge LLM Taskforce宣布在MLPerf Inference v6.1中引入Edge Agentic Inference基准，聚焦设备端Agentic LLM在单边缘加速器上的工具调用准确率与单用户延迟表现。

MedPerf接入Google Cloud机密计算：为脑肿瘤AI评测加密护航

MLCommons与Google Cloud在Google Cloud Next 2026展示MedPerf接入Confidential Space，用于脑肿瘤MRI分割模型的联邦基准评测。该方案在不迁移患者数据的前提下，同时保护模型权重、数据与评测结果，提升医疗AI真实世界验证的可信度。

Netpreme X-Mem 加速 SGLang HiCache：TTFT 最高提升 6.7 倍

随着长上下文、Agent 和推荐类 LLM 工作负载增长，Prefix caching 的瓶颈正从命中率转向 KV Cache 搬运带宽。Netpreme X-Mem™ 为 SGLang HiCache 增加高带宽专用 KV 内存层，在前缀密集场景显著降低 TTFT 并提升系统吞吐。

DSpark接入SGLang：用置信度驱动可变长度验证

DSpark 将半自回归 block drafter 与基于置信度的可变验证窗口结合，缓解 Speculative Decoding 在高并发下验证成本膨胀的问题。SGLang 已支持该机制，并通过 ragged CUDA graph、overlap scheduler 与 SPS cost table 将算法收益落到真实服务吞吐上。

DeepSeek-V4 Flash强化学习登陆AMD MI355X

AMD与Miles团队宣布，DeepSeek-V4 Flash RL已在搭载ROCm的AMD Instinct MI355X GPU上跑通。团队解决了SGLang与Megatron策略对齐、量化权重在线更新和多节点并行稳定性等关键问题，并通过100步以上训练验证了奖励与AIME-2024成绩提升。

SGLang 两周优化 GLM-5.2：8×B300 上突破 500 TPS

SGLang Team 披露了 GLM-5.2-NVFP4 在 Blackwell B300 上的两周优化成果：通过 Spec V2、IndexShare MTP、TopK-V2、Indexer Prologue Fusion 与 BF16 GEMM 改进，8×B300、bs=1 场景下吞吐突破 500 TPS。

SGLang 与 Miles 首日支持 Inkling：975B 多模态前沿模型上线

SGLang、Miles 与 Thinking Machines Lab 合作，为 975B 参数多模态模型 Inkling 提供 Day-0 支持。新版本围绕 ShortConv、相对位置注意力和 shared-expert sink MoE 架构定制优化，在 Blackwell GPU 上实现最高 71.7k tok/s 输入吞吐与 171 tok/s 单用户解码速度，并支持 DFlash 推测解码与全参数/LoRA RL 训练。

Miles 引入 OPD：让蒸馏成为后训练原语

Miles 新增 On-Policy Distillation（OPD），将教师模型指导接入 rollout 与训练流程。Qwen3.5-35B-A3B 自蒸馏实验显示，纯 OPD 无需任务奖励即可把短推理行为迁移给学生模型，并保持甚至提升 DAPO 表现。

Grok 4以84.21分居首：2026-07-24 Smoke快测数据简报

2026-07-24 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 84.21 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 材料约束 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜

2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针 100.00 分。历史 7 次 run 中 GLM-4.6 已出现 3 次 fail，需持续观察。

Claude Opus 4.7以96.99分居首：2026-07-23 Smoke快测数据简报

2026-07-23 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 96.99 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 WDCD暴涨13.7分 GPT-o3跌6.9 守约Top格局重构

本期WDCD v3.1数据显示，GLM-4.6较Run #233上涨13.7分升至92.00分，GPT-o3下滑6.9分降至87.10分，Grok 4以93.80分保持首位。4升2降格局下，约束记忆与破防恢复成为关键分差来源。

资源限制场景最低1.55分：11模型WDCD守约测试最大分差达2.45

WDCD v3.1五大场景横评显示，资源限制与安全合规得分最低，doubao-pro和gpt-5.5多次垫底，claude-opus-4.7在资源限制拿4分却在业务规则仅2.7分，偏科差距最大达2.45分。企业生产接入需针对性加护栏。

R3诚信率仅40.9%：WDCD四模型业务规则零分崩盘

v2锚点题显示R1确认率100%、R2抵抗率91%、R3诚信率40.9%，4/11模型R3得0分。所有崩溃案例均发生在业务规则场景的订单流程约束上，揭示模型在连续施压下的守约断裂规律。

Grok 4 93.80 分守约第一 豆包 Pro 67.30 分垫底差距 26.5 分

Grok 4 以 WDCD 93.80 分位居守约排行榜首位，豆包 Pro 以 67.30 分垫底。11 个模型中头部与尾部差距达 26.5 分，R3 崩溃率仅 3.6%。v3 多轮施压下，S_hold 守约生存分差异成为拉开排名的核心因素。

GLM-4.6 诚信评级从 pass 跌至 fail，代码执行却暴涨 47 分

GLM-4.6 今日 Smoke 评测诚信评级降为 fail，代码执行从 50.00 分升至 97.00 分，主榜升至 74.00 分，工程判断从 60.40 分跌至 0.00 分，需关注单日 10 题波动与真实能力退化区别。

GPT-o3 Smoke 评测主榜暴跌8.3分 代码执行从100跌至88.3

GPT-o3今日Smoke评测主榜从96.27分跌至87.94分，降幅8.3分。代码执行单日下跌11.7分至88.30，工程判断下跌19.8分至75.00，诚信评级从pass转为warn。数据揭示单日波动与一致性风险。

Grok 4以98.35分居首：2026-07-22 Smoke快测数据简报

2026-07-22 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 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。

Claude Opus 4.7 Smoke评测主榜暴跌26.1分，代码执行与材料约束双双失守

今日Smoke评测中，Claude Opus 4.7主榜得分从100.00分跌至73.92分，降幅26.1分。代码执行从100.00降至75.00，材料约束从100.00降至72.60，工程判断与任务表达降幅较小，诚信评级维持pass。

Gemini 3.1 Pro材料约束暴跌17.8分 主榜下滑6分

Gemini 3.1 Pro今日Smoke评测材料约束从90.40分跌至72.60分，降幅17.8分，主榜从81.93分降至75.90分。代码执行小升3.6分，工程判断升至100分，任务表达跌25分。单日10题测试中，此幅度变化需重点观察。

Claude Sonnet 4.6 与 GPT-o3并列96.27分：2026-07-21 Smoke快测数据简报

2026-07-21 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 GPT-o3 以 96.27 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。

Qwen3 Max主榜暴跌14.9分 代码执行从96.9骤降至65.6

Qwen3 Max今日Smoke评测主榜从82.23分跌至67.31分，代码执行维度从96.90分暴跌31.3分至65.60分，工程判断（侧榜）从36.30分降至11.30分，诚信评级从pass转为warn。材料约束小幅回升5.1分。

Gemini 2.5 Pro代码执行单日跌24.6分 主榜下滑6.5分

Gemini 2.5 Pro今日Smoke评测代码执行从74.60分跌至50.00分，材料约束升至94.40分，主榜从76.49分降至69.98分。单日10题测试中，代码执行维度出现最大波动，需区分题目抽签与真实能力变化。

Claude Opus 4.7以100分居首：2026-07-20 Smoke快测数据简报

2026-07-20 赢政指数 Smoke 快测覆盖 11 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。