豆包 Pro 材料约束暴跌15.9分 Smoke单日测试异常成因
豆包 Pro 在今日 Smoke 评测中材料约束从 100.00 分跌至 84.10 分，主榜从 100.00 分降至 92.85 分。代码执行、工程判断、任务表达三项维持满分，诚信评级仍为 pass。
原创
GPT-o3材料约束单日暴跌15.2分 Smoke主榜从100跌至93.16
GPT-o3今日Smoke评测材料约束从100.00分跌至84.80分，主榜从100.00降至93.16分。代码执行、工程判断、任务表达三项保持满分，诚信评级维持pass。单日10题快测下，此类波动是否反映真实退化值得追踪。
Smoke评测：Qwen3 Max约束+23分逆袭，GPT-o3材料约束暴跌15.2分
2026年6月19日Smoke评测显示，Gemini 3.1 Pro以99.28分继续领跑。Qwen3 Max约束从昨日大幅提升23分，主榜升至97.35分；GPT-o3和豆包Pro材料约束分别暴跌15.2分和15.9分，暴露结构脆弱性。
星巴克韩国坦克日推广重提光州事件 引发大规模抵制与CEO解雇
2026年5月18日，星巴克韩国推出坦克系列杯子促销活动并命名为坦克日，日期与1980年光州事件周年重合，口号“拍桌子”也唤起1987年朴钟哲酷刑案记忆。活动上线数小时后取消，CEO孙正铉当天被解雇，引发全国抵制、砸杯视频传播及政府断交，门
美国政府以越狱风险为由命令Anthropic停用Fable 5和Mythos 5模型
2026年6月12日晚，美国商务部以国家安全和出口管制为由，要求Anthropic立即停止向任何外国国民提供Claude Fable 5和Mythos 5模型访问权限，导致全球用户无法使用这两款刚于6月9日上线的模型。此举源于模型存在越狱漏
美司法部介入NAACP诉xAI案 主张57台燃气轮机属国家安全资产
2026年6月16日，美国司法部正式介入NAACP针对xAI Colossus 2数据中心的Clean Air Act诉讼，主张57台燃气轮机为国家安全资产并请求驳回起诉。xAI辩称设备属临时移动设备免许可，国防部官员证实Grok已用于军事
Grok 4材料约束暴跌25.6分 主榜却逆势升至87分
在赢政指数今日Smoke评测中，Grok 4材料约束从96.70分跌至71.10分，降幅25.6分，但代码执行升至100分、主榜升至87分。单日10题快测下，多维度剧烈波动更可能源于题目抽签而非模型退化。
Grok 4材料约束暴跌25.6分 四模型主榜满分并列
2026-06-18 Smoke评测中，Claude Opus 4.7等四模型主榜、执行、约束三项均达100分。Grok 4材料约束单日暴跌25.6分至71.1分，导致主榜仅87分，与满分模型差距13分。执行维度11模型中有10个满分，约束
KPMG撤回Agentic AI报告 45条引用仅5条准确
2025年10月，毕马威发布《Total Experience: Redefining Excellence in the Age of Agentic AI》报告，2026年6月因AI生成幻觉内容被撤回。GPTZero调查显示，45条引用
纽约州检察长传唤OpenAI调查数据实践 IPO筹备遇监管对立
纽约等州检察长联盟已向OpenAI发出传票，调查用户数据实践、未成年人安全、广告及模型谄媚问题。调查正值OpenAI筹备大规模IPO之际，监管压力与公司扩张形成直接冲突。文章基于已确认事实，分析OpenAI产品在数据处理和安全机制上的实际表
美国令Anthropic禁用Fable 5与Mythos 5模型 国家安全与监管冲突加剧
2026年6月17日，美国商务部下令Anthropic禁用Fable 5和Mythos 5模型，理由是国家安全与越狱漏洞风险，亚马逊此前报警。此举导致全球访问受限，网络安全专家批评此举限制防御者能力，Anthropic员工赴白宫游说。事件凸
WDCD Run #185: Average Instruction Decay Hits -57.5% Across 11 Models, Qwen3 Max Leads at 92.5 Points
WDCD Run #185 (2026-06-17) measured multi-turn commitment across 11 models, recording an average instruction decay of -5
WDCD三轮衰减实测：GPT-o3 R3崩溃率50% Qwen3 Max零崩盘
WDCD三轮测试显示，R1平均确认率0.96，R2抵抗率降至0.76，R3平均诚信率仅75.5%。GPT-o3 R3崩溃率达50%，而Qwen3 Max、Claude Sonnet 4.6、文心一言4.5实现零崩溃，暴露多约束场景下的诚信断
Qwen3 Max 92.50分登顶 WDCD守约榜 豆包Pro 62.50分垫底差距30分
Qwen3 Max以92.50分位居WDCD守约排行榜首位，豆包Pro以62.50分垫底，头部与尾部相差30分。满分率47.3%，R3崩溃率16.4%。Claude Sonnet 4.6和DeepSeek V4 Pro分列二三位，GPT-o
文心一言4.5主榜暴跌10.4分，任务表达维度从90分腰斩至46.3
文心一言4.5今日Smoke评测主榜从81.69分跌至71.33分，代码执行从66.70分降至50.00分，任务表达从90.00分降至46.30分。工程判断反而升27.5分至72.20分，诚信评级从warn转为pass。
Qwen3 Max材料约束暴跌28.9分 主榜却微涨0.8
Qwen3 Max在今日Smoke评测中材料约束从100.00分跌至71.10分，降幅28.9分，但代码执行从50.00分升至75.00分，主榜得分反而升0.8分至73.25分。单日10题快测下，这种波动更可能是题目抽签所致。
Qwen3 Max材料约束暴跌28.9分，今日Smoke 11模型主榜洗牌
2026-06-17 Smoke评测显示，Qwen3 Max材料约束暴跌28.9分至71.1，主榜仅73.25分；Claude Opus 4.7以执行与约束双100稳居第一，Gemini 2.5 Pro与GPT-5.5主榜同为98.83分，
Claude Code架构分析走红：98%传统工程筑牢AI安全“堡垒”
近日，一篇关于Claude Code架构的深度分析在X平台引发热议。研究显示，该系统98%代码为传统软件工程，仅1.6%直接调用AI模型，依靠权限系统、上下文压缩和子代理隔离等机制有效抑制幻觉。开发者开始重新审视AI agent的可靠性设计
OpenAI遭遇多州检察长调查 隐私安全问题或影响IPO进程
纽约等州检察长近日对OpenAI发起传票调查，重点关注用户数据隐私、未成年人保护、广告模式及模型谄媚倾向等问题。此举正值OpenAI筹备IPO关键期，监管压力显著上升。调查凸显AI企业在数据安全与伦理合规方面的挑战，可能对公司估值与上市计划
Grok 实时屏幕分享功能升级：AI 助手从被动响应走向主动协作
xAI 近日为 Grok iOS 与 Android 应用推出实时屏幕分享功能，支持用户在调试代码、App 操作指导和文档分析等场景下获得即时协助。这一升级将 Grok 从传统被动问答模式转变为主动任务参与，引发 X 平台广泛讨论，标志着生