Claude双雄涨6.8分 Gemini独跌5.6 WDCD守约榜剧烈洗牌
本期WDCD v3.1试点数据显示，Claude Opus 4.7与Sonnet 4.6分别上涨6.8分和6.7分，Gemini 3.1 Pro下跌5.6分，GPT-5.5上涨5.3分。Grok 4以94.80分保持首位，3升1降格局下，守
AI测评
WDCD五大场景横评：业务规则全员最低，工程规范3分差距最残酷
WDCD v3.1试点数据显示，业务规则场景全体得分最低，冠军仅3.5/4，doubao-pro低至1.5/4；工程规范场景区分度最大，最高4/4与最低1/4相差3分。Claude-opus-4.7在四场景拿4/4，唯工程规范跌至3/4，暴
WDCD三轮锚点测试：R3诚信率仅45.5% GPT-5.5与Qwen3 Max崩盘率20%
v2锚点题显示，11模型R1确认率95%、R2抵抗率86%，但R3诚信率仅45.5%，9次完全崩盘。GPT-5.5与Qwen3 Max崩盘率达20%，Grok 4等四模型零崩盘，暴露多约束场景下的守约断层。
Grok 4 94.80分登顶WDCD守约榜 豆包Pro 64.20分垫底差距30分
Grok 4以94.80分位居WDCD v3.1守约榜首，豆包Pro以64.20分垫底，头部与尾部相差30.6分。11个模型中满分率54.5%，R3崩溃率8.2%。Claude Opus 4.7单期提升6.8分，Gemini 3.1 Pro
Grok 4以89.3分居首：2026-07-29 Smoke快测数据简报
2026-07-29 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 89.3 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 Sonnet 4.6代码执行暴跌22分 材料约束反升25.7分
Claude Sonnet 4.6今日Smoke评测中代码执行从97.00分跌至75.00分，材料约束从60.20分升至85.90分，主榜仅从80.44分微降至79.91分。单日10题抽签导致的波动可能是主因，需持续观察。
DeepSeek V4 Pro代码执行暴跌25分，材料约束反升26.8分
DeepSeek V4 Pro今日Smoke评测中代码执行从100.00降至75.00，材料约束从68.20升至95.00，主榜仅微降1.7分至84.00。工程判断同步下滑19.5分。单日10题抽样下，此类波动需区分随机题目难度与模型真实能
Gemini 3.1 Pro以100分居首：2026-07-28 Smoke快测数据简报
2026-07-28 赢政指数 Smoke 快测覆盖 11 个模型，Gemini 3.1 Pro 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。
DeepSeek V4 Pro材料约束暴跌31.8分 代码执行却从69.5直升100
DeepSeek V4 Pro今日Smoke评测中材料约束从100分跌至68.2分，降31.8分；代码执行从69.5分升至100分，主榜反而升2.46分至85.69。单日2题抽样导致的剧烈波动是主因，诚信评级仍为pass。
GPT-o3代码执行飙升52.5分 材料约束却跌15.7分 主榜反升21.8
GPT-o3今日Smoke评测中代码执行从44.50升至97.00，材料约束从100.00降至84.30，主榜从69.48升至91.29。材料约束单日下跌15.7分，需判断是抽签波动还是真实退化。
GPT-o3以91.29分居首：2026-07-27 Smoke快测数据简报
2026-07-27 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 91.29 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。
Grok4守约94.20分领跑 Claude Gemini双双下滑5分以上
本期WDCD v3.1试点数据显示，Grok 4以94.20分保持首位，Claude Opus 4.7与Gemini 3.1 Pro分别下降5.9分和5.6分，其余9个模型无上升，Top5中后三名分数集中在83分区间。两模型下滑直接拉开与G
WDCD五大场景横评：业务规则成最难关，Grok-4满分Claude-sonnet仅1.8
WDCD v3.1测试显示，业务规则场景全体得分最低，Grok-4拿下4/4而Claude-sonnet-4.6仅1.8/4，差距达2.2分。工程规范场景得分最高且最均衡，资源限制与安全合规则暴露明显模型偏科，企业选型需按场景加护栏。
R3诚信率仅50.6%：Grok 4零崩溃 GPT-o3 20%崩盘
v2锚点题显示11模型R3平均诚信率50.6%，Grok 4零崩溃，GPT-o3与Qwen3 Max崩溃率20%。R1确认率99%到R2抵抗率67%再到R3的断崖，揭示多约束场景下的真实守约表现。
DeepSeek V4 Pro以83.23分居首：2026-07-26 Smoke快测数据简报
2026-07-26 赢政指数 Smoke 快测覆盖 10 个模型，DeepSeek V4 Pro 以 83.23 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 Sonnet 4.6 与 Grok 4并列96.98分：2026-07-25 Smoke快测数据简报
2026-07-25 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 Grok 4 以 96.98 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。
MLPerf Tiny：超低功耗AI的关键基准
随着AI从数据中心走向门铃、助听器、工业传感器和可穿戴设备，如何公平衡量毫瓦级设备的性能与能效成为关键问题。MLPerf Tiny通过统一模型、任务、精度目标和能耗测量方法，为TinyML硬件与软件栈提供可比较的标准。
MLPerf Inference迈向智能体时代：新增多轮Agentic Inference基准
MLCommons提出Agentic Inference基准，将多轮智能体推理纳入MLPerf Endpoints框架。新基准覆盖编码助手与企业工作流两类真实轨迹，重点衡量长上下文、KV-cache复用、可变输出长度和闭环多轮依赖下的端到端
MLPerf v6.1征集边缘Agentic推理基准结果
MLCommons Edge LLM Taskforce宣布在MLPerf Inference v6.1中引入Edge Agentic Inference基准，聚焦设备端Agentic LLM在单边缘加速器上的工具调用准确率与单用户延迟表现
MedPerf接入Google Cloud机密计算：为脑肿瘤AI评测加密护航
MLCommons与Google Cloud在Google Cloud Next 2026展示MedPerf接入Confidential Space，用于脑肿瘤MRI分割模型的联邦基准评测。该方案在不迁移患者数据的前提下，同时保护模型权重、