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
AI测评
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、
Netpreme X-Mem 加速 SGLang HiCache：TTFT 最高提升 6.7 倍
随着长上下文、Agent 和推荐类 LLM 工作负载增长，Prefix caching 的瓶颈正从命中率转向 KV Cache 搬运带宽。Netpreme X-Mem™ 为 SGLang HiCache 增加高带宽专用 KV 内存层，在前缀
DSpark接入SGLang：用置信度驱动可变长度验证
DSpark 将半自回归 block drafter 与基于置信度的可变验证窗口结合，缓解 Speculative Decoding 在高并发下验证成本膨胀的问题。SGLang 已支持该机制，并通过 ragged CUDA graph、ov
DeepSeek-V4 Flash强化学习登陆AMD MI355X
AMD与Miles团队宣布，DeepSeek-V4 Flash RL已在搭载ROCm的AMD Instinct MI355X GPU上跑通。团队解决了SGLang与Megatron策略对齐、量化权重在线更新和多节点并行稳定性等关键问题，并通
SGLang 两周优化 GLM-5.2：8×B300 上突破 500 TPS
SGLang Team 披露了 GLM-5.2-NVFP4 在 Blackwell B300 上的两周优化成果：通过 Spec V2、IndexShare MTP、TopK-V2、Indexer Prologue Fusion 与 BF16
SGLang 与 Miles 首日支持 Inkling：975B 多模态前沿模型上线
SGLang、Miles 与 Thinking Machines Lab 合作，为 975B 参数多模态模型 Inkling 提供 Day-0 支持。新版本围绕 ShortConv、相对位置注意力和 shared-expert sink M
Miles 引入 OPD：让蒸馏成为后训练原语
Miles 新增 On-Policy Distillation（OPD），将教师模型指导接入 rollout 与训练流程。Qwen3.5-35B-A3B 自蒸馏实验显示，纯 OPD 无需任务奖励即可把短推理行为迁移给学生模型，并保持甚至提升
Grok 4以84.21分居首：2026-07-24 Smoke快测数据简报
2026-07-24 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 84.21 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 93.30 分却诚信 fail，代码执行 25.00 分拖累主榜
2026-07-23 Run#243 中，GLM-4.6 主榜 55.74 分，代码执行 25.00 分，材料约束 93.30 分，诚信评级 fail（探针 30.00）。同日 11 个模型全部 pass，Gemini 2.5 Pro 探针
Claude Opus 4.7以96.99分居首：2026-07-23 Smoke快测数据简报
2026-07-23 赢政指数 Smoke 快测覆盖 11 个模型，Claude Opus 4.7 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。
GLM-4.6 WDCD暴涨13.7分 GPT-o3跌6.9 守约Top格局重构
本期WDCD v3.1数据显示，GLM-4.6较Run #233上涨13.7分升至92.00分，GPT-o3下滑6.9分降至87.10分，Grok 4以93.80分保持首位。4升2降格局下，约束记忆与破防恢复成为关键分差来源。
资源限制场景最低1.55分：11模型WDCD守约测试最大分差达2.45
WDCD v3.1五大场景横评显示，资源限制与安全合规得分最低，doubao-pro和gpt-5.5多次垫底，claude-opus-4.7在资源限制拿4分却在业务规则仅2.7分，偏科差距最大达2.45分。企业生产接入需针对性加护栏。