AI测评 | 赢政天下

DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6并列83.49分：2026-09-07 Smoke快测数据简报

2026-09-07 赢政指数 Smoke 快测覆盖 11 个模型，DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6 以 83.49 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。

Claude Sonnet 4.6跌5分豆包Pro涨7.5分 WDCD v3.1守约测试暴露稳定性反差

Claude Sonnet 4.6 WDCD分数下降5分，豆包Pro上升7.5分。Grok 4以93.21分保持首位，GLM-4.6 91.38分紧随。仅两模型出现显著变化，v3多轮施压下守约生存与约束记忆差异成为关键观察点。

WDCD五场景横评：安全合规最低2.19分，glm-4.6四场景称霸

WDCD v3.1测试显示安全合规场景得分最低，qwen3-max仅2.19/4；glm-4.6在资源限制、业务规则、工程规范三场景均列前二，最大场景差距达1.67分。

R3诚信率仅49.5%：11模型WDCD三轮守约崩盘实测

v2锚点题数据显示，R1确认率100%，R2抵抗率79%，R3诚信率49.5%，29/319次完全崩溃。Grok 4与GLM-4.6 R3崩溃率最低（3.4%），Claude Opus 4.7与Qwen3 Max最高（17.2%）。分析聚焦资源限制与安全合规场景下的逐轮衰减规律及生产选型风险。

Grok 4守约93.21分登顶 WDCD榜 Qwen3 Max74.31垫底

Grok 4以93.21分位列WDCD守约榜第一，Qwen3 Max以74.31分垫底，头部与尾部相差18.9分。满分率58%，R3崩溃率9.1%。Claude Sonnet 4.6较上期下降5.0分，豆包 Pro上升7.5分。

Gemini 2.5 Pro以88.21分居首：2026-09-06 Smoke快测数据简报

2026-09-06 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 2.5 Pro 以 88.21 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材料约束暴跌21分，代码执行反升25分，主榜微涨4.3

GLM-4.6今日Smoke评测材料约束从74.30分跌至53.30分（-21），代码执行从50.00升至75.00（+25），主榜从60.94升至65.24（+4.3），工程判断从25.00升至95.80，诚信评级从pass变为warn。单日10题抽签波动与真实退化需区分。

Qwen3 Max代码执行暴跌21.7分材料约束反涨20.4分

Qwen3 Max今日Smoke评测中代码执行从96.70分跌至75.00分，材料约束从48.80分升至69.20分，主榜从75.15分降至72.39分，诚信评级由pass转为warn。单日维度剧烈波动但整体影响有限。

GPT-o3以90.64分居首：2026-09-05 Smoke快测数据简报

2026-09-05 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 90.64 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+28.2分却工程判断-39.6 诚信从fail升pass主榜反涨12.7

GLM-4.6今日Smoke评测主榜从48.25升至60.94，材料约束从46.10升至74.30，工程判断从64.60跌至25.00，任务表达从50.00跌至25.00，诚信评级从fail升至pass。单日10题抽签导致侧榜剧烈波动，主榜改善主要来自材料约束。

GPT-5.5代码执行从100暴跌至75 Smoke评测主榜降7.5分

GPT-5.5今日Smoke评测代码执行从100.00跌至75.00，主榜从79.12降至71.67。材料约束反升14分至67.60，工程判断同步跌25分。单日10题抽样导致的波动与模型真实退化需区分判断。

Claude Opus 4.7以92.49分居首：2026-09-04 Smoke快测数据简报

2026-09-04 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 92.49 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 探针得分 15.00 诚信 fail，主榜 48.25 分材料约束 46.10

2026-09-03 Run#307 中 GLM-4.6 诚信评级 fail，探针得分仅 15.00，主榜 48.25 分，代码执行 50.00，材料约束 46.10。其余 10 款模型全部 pass，探针得分 80-100。

GPT-o3以83.94分居首：2026-09-03 Smoke快测数据简报

2026-09-03 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 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 WDCD暴涨22.2分，Claude Sonnet 4.6独跌13分

Gemini 3.1 Pro以97.70分登顶WDCD，Gemini 2.5 Pro单期上升22.2分，Claude Sonnet 4.6成为唯一下降模型（-13分）。5升1降格局下，守约生存与约束记忆分化明显，企业生产接入需优先高分模型。

WDCD五场景横评：安全合规最低仅2分，deepseek业务规则4分安全合规2.5分偏科1.5

安全合规场景全体得分最低，qwen3-max仅2/4，deepseek-v4-pro仅2.5/4；数据边界多模型4/4；deepseek-v4-pro业务规则4/4却安全合规2.5/4，差距1.5分。企业接入生产流程时需按场景加护栏。

WDCD三轮测试：11模型R3诚信率仅72.7%，3模型R3完全崩溃

WDCD v3.1试点中，8道v2锚点题显示R1确认率100%、R2抵抗率73%、R3诚信率72.7%，110次采样中3次R3完全崩溃。GLM-4.6、DeepSeek V4 Pro、Qwen3 Max在安全合规多约束场景下先确认后崩盘，Gemini 3.1 Pro等8模型全程维持满分。

WDCD守约榜：Gemini 3.1 Pro 97.7分领跑 Qwen3 Max 70.3分垫底

Gemini 3.1 Pro以97.70分位居WDCD v3.1守约榜首位，Qwen3 Max 70.30分垫底，11模型中满分率68.2%，R3崩溃率仅2.7%。头部与尾部在R3施压阶段差距达2.00分，生产接入需重点关注安全合规场景。

豆包 Pro以95.91分居首：2026-09-02 Smoke快测数据简报

2026-09-02 赢政指数 Smoke 快测覆盖 11 个模型，豆包 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。

GPT-5.5代码执行暴跌25分主榜仅降3分材料约束反升24分

今日Smoke评测中GPT-5.5代码执行从94.50跌至69.50，材料约束从76.00升至100.00，主榜从86.18降至83.23。单日10题快测下，执行维度暴跌与约束维度暴涨形成对冲，需区分抽签波动与真实退化。

Grok 4代码执行暴跌21.8分主榜从89.15降至84.99

Grok 4今日Smoke评测代码执行从94.50分跌至72.70分，材料约束升至100.00分，主榜下滑4.2分至84.99分。工程判断与任务表达均有提升，诚信评级维持pass。分析显示小样本题目抽签是主要波动来源。

GPT-o3以96.98分居首：2026-09-01 Smoke快测数据简报

2026-09-01 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 96.98 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。

Grok 4以89.15分居首：2026-08-31 Smoke快测数据简报

2026-08-31 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 以 89.15 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 3.1 Pro 主榜暴跌10.8分材料约束单日下滑14.4

Gemini 3.1 Pro今日Smoke评测主榜从96.60分跌至85.83分，降幅10.8分。其中材料约束从93.30分跌至78.90分，工程判断（侧榜，AI辅助评估）从75.00分跌至50.00分。代码执行降7.8分，任务表达升6.7分。诚信评级维持pass。

Grok 4主榜暴跌8.8分：代码执行从100掉到90.7

Grok 4今日Smoke评测主榜从96.99分跌至88.14分，代码执行下降9.3分至90.70，材料约束下降8.3分至85.00。工程判断小幅回升5.5分，诚信评级维持pass。单日10题测试下，此类波动需区分题目抽签与真实能力变化。

Claude Opus 4.7 趋势上升10.1分，Gemini 3.1 Pro 下降11.2分：2026-W35 Smoke周趋势

2026-08-24至2026-08-30 Smoke数据中，Claude Opus 4.7从82.98分升至93.08分（趋势+10.1），Gemini 3.1 Pro从96.98分跌至85.83分（趋势-11.2）。Grok 4均值90分最高，GLM-4.6波动43.6分最大。GLM-4.6与豆包 Pro诚信评级从warn转为pass。

Claude Opus 4.7以93.08分居首：2026-08-30 Smoke快测数据简报

2026-08-30 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 以 93.08 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 发布端到端 RAG 推理基准

MLCommons 推出首个端到端检索增强生成（RAG）推理基准，涵盖文档摄取与多跳问答全流程。该基准采用 FRAMES 数据集，包含 824 个多跳查询和 2515 篇维基百科文章，支持从实时检索文档生成答案，有效降低幻觉并利用私有知识。基准测量摄取管道与 QnA 管道的整体性能，揭示模型放置、共驻、调度及前缀缓存等优化空间，为真实部署和未来智能体 AI 基准奠定基础。

随着AI在金融、医疗等敏感领域的广泛部署，企业迫切需要了解模型在其特定数据和用例下的可靠性和安全性。然而，传统评估方式难以兼顾数据隐私、模型权重保护以及基准完整性。MLCommons携手Google DeepMind、OpenMined与AVERI，首次开展双盲评估概念验证。通过保留的AILuminate™安全基准提示集和安全计算环境，实现了测试数据、模型权重与评估过程的加密隔离，既避免了基准污染，也保护了各方知识产权。该方法为未来目的特定AI部署提供了高完整性、可信赖的评估路径，标志着行业向IP安全、抗饱和测试标准迈进。

Claude Sonnet 4.6代码执行暴跌22分主榜仅降0.5

今日Smoke评测中，Claude Sonnet 4.6代码执行从97.00降至75.00（-22），材料约束从67.60升至93.30（+25.7），主榜从83.77微降至83.24。仅2题/维度的快测下，单日大幅波动源于题目抽签差异，而非模型退化。