GPT-6.1 Sol主榜暴跌9.2分 代码执行单日降16.7分
GPT-6.1 Sol今日Smoke评测主榜从86.25分跌至77.07分，代码执行从75.00分降至58.30分，材料约束维持100.00分，工程判断维持100.00分，任务表达升至87.50分。单日10题测试下，代码执行维度波动最大。
AI测评
Gemini 2.5 Pro 材料约束暴跌28分 代码执行却升至100分
Gemini 2.5 Pro今日Smoke评测中材料约束从100.00分跌至72.00分，代码执行从71.90分升至100.00分，主榜微升至87.40分。单日10题抽样导致的波动与真实能力退化需区分判断。
Claude Opus 4.7以98.65分居首：2026-10-03 Smoke快测数据简报
2026-10-03 赢政指数 Smoke 快测覆盖 15 个模型，Claude Opus 4.7 以 98.65 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 100 分代码执行 41.70 分 诚信探针仅 15 分
GLM-4.6 在 2026-10-02 Smoke 快测中材料约束达到 100.00 分，代码执行仅 41.70 分，主榜 67.94 分，诚信评级 fail（探针 15.00）。当日 14 个模型中仅 GLM-4.6 触发诚信探针，其余
Claude Opus 4.7 与 GPT-5.5 与 GPT-6 Astra 与 GPT-6.1 Sol并列86.25分：2026-10-02 Smoke快测数据简报
2026-10-02 赢政指数 Smoke 快测覆盖 15 个模型，Claude Opus 4.7 与 GPT-5.5 与 GPT-6 Astra 与 GPT-6.1 Sol 以 86.25 分并列当日首位。Smoke 为每日 10 题快测
GPT-5.5代码执行暴跌22分 材料约束却飙升25.9分
GPT-5.5今日Smoke评测中代码执行从72.00降至50.00，材料约束从69.10升至95.00，主榜仅微降0.5分至70.25。工程判断维持100.00，任务表达降8.3分，诚信评级保持pass。单日维度剧烈波动但整体排名影响极小
Qwen3 Max代码执行暴跌24分 主榜下滑7.4分
今日Smoke评测中Qwen3 Max代码执行从94.00分跌至70.00分，主榜从84.51分降至77.16分，材料约束则从72.90分升至85.90分。工程判断与任务表达两项侧榜得分上升，诚信评级维持pass。
豆包 Pro以95.52分居首：2026-10-01 Smoke快测数据简报
2026-10-01 赢政指数 Smoke 快测覆盖 15 个模型，豆包 Pro 以 95.52 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。
Qwen3 Max暴涨20.2分 GLM-4.6紧随其后 WDCD五模型全线上升
本期WDCD v3.1测试显示5个模型全部上涨，Qwen3 Max提升20.2分、GLM-4.6提升19.9分，Grok 4仍以100分保持首位。无模型下降，守约生存与约束记忆得分普遍改善，提示生产接入时对数据边界和安全合规场景的可用性提升
WDCD五场景横评：工程规范2.45分最低 豆包与Claude偏科差距1.45分
WDCD v3.1试点数据显示，工程规范场景全体得分最低，豆包-pro仅2.45/4；安全合规场景区分度最大，qwen3-max垫底2.8/4。Claude系列与豆包出现明显偏科，差距达1.45分，为企业接入生产流程提供场景级守约参考。
11模型WDCD v2锚点R1确认率0% 守约从首轮即全崩
v2锚点8题测试显示，11个模型R1平均确认率0%、R2抵抗率0%、R3诚信率0%，R3完全崩溃0/110次。所有模型在约束注入阶段即未确认，守约能力在锚点题上呈现一致性失效。
Grok 4 100分称霸 WDCD 守约榜 豆包 Pro 75.3 垫底差距 24.7 分
Grok 4 以 WDCD 100.00 分位列第一，豆包 Pro 75.30 分垫底，头部尾部差距 24.7 分。11 个模型中满分率 64.5%，R3 崩溃率 0%。GLM-4.6 与 Qwen3 Max 本期分别提升 19.9 分和
GPT-o3代码执行暴跌21.8分 材料约束反升33.5分 主榜微涨
今日Smoke评测中，GPT-o3代码执行从93.80分跌至72.00分（-21.8），材料约束从49.30分升至82.80分（+33.5），主榜从73.78分升至76.86分，诚信评级由warn转为pass。单日10题抽签导致的波动是主因
Claude Opus 4.7代码执行72分材料约束85分 Smoke评测主榜微降2.4分
Claude Opus 4.7今日Smoke评测代码执行从100.00降至72.00，材料约束从56.00升至85.00，主榜从80.20降至77.85。单日10题测试下，代码执行-28分与材料约束+29分形成鲜明对比，需区分题目抽签波动与
Qwen3 Max以84.51分居首：2026-09-30 Smoke快测数据简报
2026-09-30 赢政指数 Smoke 快测覆盖 10 个模型，Qwen3 Max 以 84.51 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。
MLCommons代理可靠性框架入围全球监管黑客马拉松
MLCommons金融服务工作组的Agent Reliability Profile成功入围C:>DIR全球“Agentic Regulator”黑客马拉松决赛。该框架旨在解决AI代理在金融领域的授权与监督空白，通过Profile Buil
MLPerf Inference v6.1 基准测试创参与新纪录
MLCommons 发布 MLPerf Inference v6.1 基准测试最新结果，参与机构数量创历史新高。本次更新新增端到端 RAG 和边缘代理推理两项测试，反映 AI 推理部署趋势，同时支持投机解码优化。结果显示，视觉语言模型性能较
MLPerf Inference v6.1：行业工程投入新风向
MLPerf Inference v6.1创下新纪录，共有30家提交者参与，涵盖硅厂商、系统集成商、云服务商及推理软件公司。本轮标志着行业向agentic和端到端基准测试的明显转向，同时涌现大量新型硬件。Datacenter套件最受欢迎的基
MLCommons 加入欧盟 AIRIS 项目 推进生物医学 AI 基准测试
MLCommons 近日宣布成为欧盟地平线欧洲计划资助的 AIRIS 项目联合体成员。该项目汇集欧洲、加拿大和美国 21 家合作伙伴，获得 1690 万欧元资助，旨在开发融合生物知识与临床数据的生成式 AI 平台。MLCommons 将主导
MLPerf Training 推出首个 LLM 后训练基准
MLPerf Training 将从 2026 年 10 月 v6.1 提交轮次起新增 LLM 后训练基准，补充现有预训练测试。该基准采用 RLVR 方法，结合蒸馏、强化学习与监督微调，使用 Qwen 3.5 397B 模型和 R2E-Gy