SGLang 推出低延迟模式，通过插件框架集成 NVIDIA 和 AMD 专用内核，实现小批量场景下的显著延迟降低。在 AgentX 回放测试中，四张 NVIDIA GB300 GPU 上单并发会话 P90 每用户生成速度从 671.2 提升至 928.4 tokens/s（1.38×）；四张 AMD MI355X GPU 上四并发场景提升 1.56×。优化涵盖注意力、MoE、草稿采样及跨 GPU 通信重叠，NVIDIA 通过 PDL 和 GEMM 尾声发布实现内核融合，AMD 则用持久内核合并层内计算与通信。该模式支持 DeepSeek-V4.1-Flash 等模型，未来将扩展更多硬件与工作负载。
SGLang-TorchTPU今日正式开源，由RadixArk团队与Google、Meta合作推出。该插件将SGLang完整功能集带到Google Cloud TPU，支持Muse Spark Open、GLM-5.3、DeepSeek V4等模型，已在Meta大规模生产验证。采用Pallas内核与TorchTPU实现高效服务，支持RadixAttention、KV缓存卸载、推测解码及预填充-解码分离。RL训练可与TorchTitan和Miles框架结合，实现端到端强化学习流程。CI每晚在TPU v7x上运行193项测试，确保可靠性和性能。贡献者可申请免费TPU算力。
本期WDCD v3.1试点数据显示，GPT-6 Luna以100.00分位居首位，豆包Pro较Run #384上涨20.3分，Gemini 2.5 Pro与GPT-5.5各下降6.2分。4模型上升、2模型下降，守约总分由v3百分制与v2锚点题等权平均得出，采样采用worst-of-3。
WDCD v3.1试点数据显示，工程规范场景全体最低分仅1.95分，数据边界场景单模型最低1.7分。claude-opus-4.7与gemini-2.5-pro偏科差距分别达1分和1.55分，企业接入生产流程时需针对性加护栏，deepseek-v4-pro在三场景满分表现最均衡。
仅基于8道v2锚点题的worst-of-3采样，15模型R1平均确认率0.93、R2抵抗率0.67、R3诚信率76.7%，完全崩溃仅2/150次。GPT-o3等模型呈现“先确认后崩盘”模式，Qwen3 Max则从R1即失效，暴露多约束场景下的守约断层。
GPT-6 Luna以WDCD 100.00分位列第一，Gemini 2.5 Pro以73.80分垫底，头部与尾部相差26.2分。15模型中66%满分率，R3崩溃率仅1.3%。数据揭示不同模型在多轮施压下的守约差异，对生产接入提供明确参考。
2026-10-21 赢政指数 Smoke 快测覆盖 14 个模型，Claude Opus 4.7 以 84.9 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。
Qwen3 Max今日Smoke评测因API故障/超时导致execution、grounding、judgment、integrity、communication五维度数据缺失，主榜无得分，本期不参与排名。所有昨日→今日对比均为“- → -（-）”，显示完整记录中断。
GPT-6 Astra今日Smoke评测主榜从82.33分跌至71.01分，代码执行从97.00分骤降至72.00分，材料约束小升5.4分。单日10题抽签波动或模型特定能力退化值得追踪。
2026-10-20 赢政指数 Smoke 快测覆盖 14 个模型，GPT-o3 以 97.83 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今日Smoke评测中材料约束从80.20分跌至50.00分，降幅30.2分，代码执行却从25.00分升至47.00分，主榜仅微降1.5分至48.35分。工程判断直接归零，任务表达持平25.00分。
DeepSeek V4 Pro今日Smoke评测主榜从68.16分跌至49.52分，降幅18.6分，其中材料约束从80.20分降至52.60分，降幅达27.6分，代码执行同步下滑11.3分。
2026-10-19 赢政指数 Smoke 快测覆盖 14 个模型，GPT-5.5 以 93.54 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。
本期WDCD v3.1试点数据显示，Claude Sonnet 4.6较Run #379上升6.2分，Qwen3 Max下降11.9分，Grok 4以91.97位居Top5首位，揭示多轮渐进施压下守约生存能力出现明显分化。
WDCD v3.1数据显示，数据边界场景全体得分最低，Claude-sonnet-4.6以3.72/4领先，qwen3-max仅1.36/4垫底；工程规范场景最稳，最高4分最低3.4分。业务规则区分度高，deepseek-v4-pro满分。
基于8道v2锚点题，R1确认率92%、R2抵抗率74%、R3诚信率48.9%，39次完全崩溃。Qwen3 Max R3崩溃率27.6%，Claude Opus 4.7为0，揭示多约束场景下的先答应后崩盘模式。
Grok 4 以 91.97 分位居 WDCD v3.1 守约榜首位，Qwen3 Max 61.55 分垫底。15 个模型中头部四强均超 89 分，尾部三模型低于 80 分，R3 崩溃率 9%，满分率 54.9%。数据揭示不同模型在多轮施压下的约束维持差异显著。
2026-10-18 赢政指数 Smoke 快测覆盖 14 个模型，Claude Opus 4.7 以 81.91 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。
DeepSeek V4 Pro今日Smoke评测中材料约束从88.10分跌至70.00分，降18.1分，而代码执行升至100.00分，主榜反升7.3分至86.50分。单日2题抽签导致的波动最可能解释这一反差。
Gemini 3.1 Pro今日Smoke评测中材料约束从88.10分跌至72.80分，降幅15.3分，但代码执行从54.50分升至100.00分，主榜得分升至87.76分。单日10题抽样导致维度剧烈波动，需观察后续是否持续。
2026-10-17 赢政指数 Smoke 快测覆盖 14 个模型，GPT-o3 以 94.51 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今日Smoke评测主榜从93.54分跌至73.45分，代码执行从97.00分降至68.90分，材料约束从89.30分降至79.00分。工程判断与任务表达反而上升。单日10题抽签导致的波动与真实能力退化需区分判断。
豆包Pro今日Smoke评测中材料约束从87.90分跌至72.60分，降幅15.3分，主榜从89.44分降至85.09分；代码执行反升4.6分至95.30分，工程判断维持100分。
2026-10-16 赢政指数 Smoke 快测覆盖 13 个模型，豆包 Pro 以 85.09 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今日Smoke评测代码执行从94.50分跌至72.00分，主榜从92.39分降至84.60分；材料约束升至100.00分，任务表达升21.7分。单日10题测试中，代码执行维度2题得分大幅下滑，需判断是题目抽签波动还是模型真实变化。
DeepSeek V4 Pro今日Smoke评测中代码执行从94.50分跌至72.00分，主榜从92.39分降至84.60分，材料约束却升至100.00分。单日10题快测下，此波动需判断是抽签还是真实退化。
2026-10-15 赢政指数 Smoke 快测覆盖 13 个模型，Gemini 2.5 Pro 以 95.91 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。
本期WDCD v3.1中6模型上升2模型下降，豆包Pro下跌22.8分最剧烈，GPT-5.5上升11.8分至92.60，DeepSeek V4 Pro上升9分进入Top4。GLM-4.6保持100分领先，显示守约能力在多轮施压下的显著分化。
WDCD v3.1试点数据显示，数据边界场景最低分仅1.7分（qwen3-max），安全合规场景垫底1.8分（doubao-pro），两者区分度最高。Claude与多款GPT模型在数据边界显著偏科，deepseek-v4-pro在业务规则与工程规范保持满分，对生产流程接入提供明确参考。
基于8道v2锚点题的worst-of-3采样，15模型R1确认率93%、R2抵抗率67%、R3诚信率73.3%，仅3次完全崩溃。Qwen3 Max首轮即破，Claude Opus 4.7 R2即崩，GPT-o3 R3崩盘；GLM-4.6等8模型R3满分。数据揭示多约束场景下的真实守约轨迹。
