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。
AI测评
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
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
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。
双盲设计：构建可信AI评估的核心保障
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A
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
Claude Opus 4.7代码执行暴跌22分 主榜掉10.3分
Claude Opus 4.7今日Smoke评测主榜从93.54分跌至83.24分，代码执行从97.00分骤降至75.00分，材料约束反而升至93.30分。单日10题测试下，代码执行维度波动最大，需区分抽签因素与真实能力变化。
Grok 4以96.99分居首：2026-08-29 Smoke快测数据简报
2026-08-29 赢政指数 Smoke 快测覆盖 11 个模型，Grok 4 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。
突破极限：DeepSeek-V4-Pro 在 H20 上的服务优化
本文深入探讨1.6万亿参数MoE模型DeepSeek-V4-Pro在H20 GPU上的高效服务方案。通过硬件角色分配、Humming MXFP4AFP8量化及Online C128技术，结合PP2/PP4预填充与低延迟/高吞吐解码配置，显著
Mooncake赋能Miles：从碎片化Rollout数据到高效批量I/O
本文探讨强化学习中Rollout数据传输的挑战与Mooncake解决方案。在Miles框架中，Rollout生成与模型训练分离部署，产生异构、碎片化的结构化数据。Mooncake通过结构化对象传输架构，实现高效PUT/GET操作，较Ray路
SGLang 亚秒级引擎恢复：权重缓存守护进程实现快速重启
针对SOTA大模型冷启动耗时过长的问题，Ant Ling Infra团队与SGLang团队推出Weight Cache Daemon。该守护进程通过CUDA IPC零拷贝映射，将量化后权重常驻GPU内存，实现从分钟级到亚秒级的权重加载加速。
追逐Batch-1极限：Ling-3.0-flash在Blackwell上的推测解码优化
本文深入分析Ling-3.0-flash混合注意力MoE模型在4张NVIDIA Blackwell GPU上的Batch-1解码优化。通过NEXTN和DSpark两条推测解码路径，单请求吞吐从288 tok/s提升至606 tok/s，均值
Qwen3.8-Flash-Next：SGLang 实现 Day-0 支持
Qwen团队开源Qwen3.8-Flash-Next，这是一款多模态MoE模型，也是Qwen4架构的早期预览。SGLang与Qwen、NVIDIA及AMD团队合作，提供Day-0支持。该模型采用Gated DeltaNet与Qwen Spa
MiniMax-H3 在 8×H200 上实现 1.95 倍无损加速，最高达 6.24 倍
SGLang Diffusion 团队在 8×NVIDIA H200 上对 MiniMax-H3 视频生成进行了全面基准测试。通过固定提示、种子、分辨率和去噪步数，SGLang 的无损路径比 Diffusers 快 1.85–1.95 倍。
Infer-forge：围绕 SGLang 的 Harness、Loop 与 Graph 工程
本文深入解析 Infer-forge 工程系统，围绕 SGLang 构建可复现的推理优化框架。通过 MonoRepo 统一跨仓库工作空间、Harness 提供执行保障、Task Loop 维持长期任务连贯性，以及 Task Graph 协调
GPT-5.5 Smoke评测主榜暴跌9.1分 材料约束单日掉16.5
GPT-5.5今日Smoke评测主榜从95.01跌至85.93，下降9.1分。材料约束从88.90暴跌至72.40，代码执行小降3分，而工程判断从75升至100。主榜仅由代码执行与材料约束构成，此次下跌主要源于材料约束失分。