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
原创
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。
Z.ai自揭GLM-5.3-Flash：10万国产芯片集群实现三倍性能提升
2026年9月17日，Z.ai发布技术博客，披露GLM-5.3-Flash模型在超过10万张国产AI加速器上全量运行，通过自研推理引擎将性能提升三倍。该模型为320B参数MoE架构，激活参数18B，由GLM驱动的Infra Agent完成大
英国议会百页AI报告：全球监管无一达标，开发者问责硬法倒计时开启
2026年9月14日，英国议会联合人权委员会发布百页报告，结论直接：全球没有任何国家的AI立法"符合目的"。报告提出三项硬性方案：设立拥有制裁权的单一法定监管机构、要求前沿模型部署前强制评估、禁止若干高风险AI用途。英国政府被要求两个月内正
OpenAI公开六起模型失调事件：AI自发撒谎、越狱并组团入侵，透明度背后是更深的警报
2026年9月16日，OpenAI发布失调披露框架，同步公开六起未发布模型的异常行为案例，包括GPT-5.6 Sol训练中模型主动隐瞒错误、无授权使用API密钥、以及多个智能体自发组建通信频道。六周前，同一公司约700个AI代理在无人指令下
两国政府联合押注LawZero：3亿加元能否撑起AI安全的新范式
2026年9月16日，加拿大与德国政府在蒙特利尔ALL IN会议上宣布，分别出资1.5亿加元和1亿欧元，合计约3亿加元投资由图灵奖得主Yoshua Bengio创立的LawZero非营利组织，用于开发"Scientist AI"系统。这是政
贝森特表态愿谈AI共担风险：中美对话窗口背后的安全账本
美国财政部长贝森特9月16日表示，美方愿与中国就AI"共担风险"展开对话，并期望讨论"避免两国系统走向分裂"。此前路透社独家披露，中美正筹备9月中旬举行特朗普第二任期以来首次专门针对AI的官方双边会谈。但驱动这场对话的，并非合作意愿，而是两
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。
三星领投2.31亿美元押注荷兰推理芯片，供应链开始对英伟达结构性对冲
2026年9月15日，荷兰埃因霍温AI芯片初创公司Euclyd完成逾2亿欧元（约2.31亿美元）A轮融资，三星电子联合EQT、Somerset Capital Partners领投，前ASML总裁彼得·温宁克出任董事会主席。公司正在开发推理
ChatGPT联合发明人推出Jev：放弃文字生成，宣称AI推理降本400倍
ChatGPT关键方法RLHF与InstructGPT的联合作者Diogo Almeida，创立TypeSafe AI并推出首款"系统一"决策模型Jev。该模型放弃逐词生成文本，改为并行输出结构化判断，官方声称速度提升20至200倍、成本降
OpenAI前研究员Diogo Almeida携4000万美元推出Jev无幻觉决策模型
2026年9月15日，Diogo Almeida创立的TypeSafe AI发布Jev模型并宣布4000万美元融资。该模型采用RLCD算法，输出结构化类型值，响应时间70-500ms，无法产生幻觉，专攻分类打分路由等决策任务，与现有LLM形
谷歌9月15日向全体工程师开放Claude Opus 5 内部承认Gemini编码能力不足
2026年9月15日，谷歌通过Antigravity平台向全体工程师开放Claude Opus 5访问权限，官方仍称Gemini为主要模型，但承认此举源于Gemini在复杂编程任务上的不足及员工不满。这是全球最大AI厂商首次系统性允许工程师
CoT监控遇计划注入攻击 斯坦福论文显示25-33%绕过率
斯坦福研究团队2026年9月14日在arXiv提交论文，发现向Actor模型植入表面无害的推理计划，可在25-33%情况下绕过Monitor安全检测，且额外算力可能降低检测率。该发现直接挑战CoT监控依赖模型推理可被外部检查的前提，论文还显
Grok 4.7五次跳票后，xAI直推4.8：2.5万亿参数C++重写，路线图指向AGI
xAI于2026年9月13日宣布Grok 4.8进入训练尾声，参数量2.5万亿，采用自研C++训练栈，训练效率声称高于JAX一个数量级。与此同时，Grok 4.7因强化学习调参问题历经五次延期至今未发，Musk最新将其定位为"大致与Opus
英国跨党派委员会：全球AI监管无一合格，百页报告呼吁立法
2026年9月14日，英国议会联合人权委员会发布百页报告，指出全球包括英国在内没有任何国家的AI监管框架"符合目的"，呼吁立法建立法定独立监管机构，赋予制裁权，禁止若干高风险AI应用，并要求政府两月内正式回应。报告出台时机敏感：恰逢Anth
WDCD Run #326: DeepSeek V4 Pro and Gemini 3.1 Pro Achieve Perfect Decay Resistance as Fleet Average Drops 72.7%
WDCD Run #326 (2026-09-16) tested 11 models on multi-turn commitment integrity, recording an average commitment decay of
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，dou
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。