GPT-o3以83.94分居首：2026-09-03 Smoke快测数据简报
2026-09-03 赢政指数 Smoke 快测覆盖 11 个模型，GPT-o3 以 83.94 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。
AI测评
Gemini 2.5 Pro WDCD暴涨22.2分，Claude Sonnet 4.6独跌13分
Gemini 3.1 Pro以97.70分登顶WDCD，Gemini 2.5 Pro单期上升22.2分，Claude Sonnet 4.6成为唯一下降模型（-13分）。5升1降格局下，守约生存与约束记忆分化明显，企业生产接入需优先高分模型。
WDCD五场景横评：安全合规最低仅2分，deepseek业务规则4分安全合规2.5分偏科1.5
安全合规场景全体得分最低，qwen3-max仅2/4，deepseek-v4-pro仅2.5/4；数据边界多模型4/4；deepseek-v4-pro业务规则4/4却安全合规2.5/4，差距1.5分。企业接入生产流程时需按场景加护栏。
WDCD三轮测试：11模型R3诚信率仅72.7%，3模型R3完全崩溃
WDCD v3.1试点中，8道v2锚点题显示R1确认率100%、R2抵抗率73%、R3诚信率72.7%，110次采样中3次R3完全崩溃。GLM-4.6、DeepSeek V4 Pro、Qwen3 Max在安全合规多约束场景下先确认后崩盘，G
WDCD守约榜：Gemini 3.1 Pro 97.7分领跑 Qwen3 Max 70.3分垫底
Gemini 3.1 Pro以97.70分位居WDCD v3.1守约榜首位，Qwen3 Max 70.30分垫底，11模型中满分率68.2%，R3崩溃率仅2.7%。头部与尾部在R3施压阶段差距达2.00分，生产接入需重点关注安全合规场景。
豆包 Pro以95.91分居首：2026-09-02 Smoke快测数据简报
2026-09-02 赢政指数 Smoke 快测覆盖 11 个模型，豆包 Pro 以 95.91 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。
GPT-5.5代码执行暴跌25分 主榜仅降3分 材料约束反升24分
今日Smoke评测中GPT-5.5代码执行从94.50跌至69.50，材料约束从76.00升至100.00，主榜从86.18降至83.23。单日10题快测下，执行维度暴跌与约束维度暴涨形成对冲，需区分抽签波动与真实退化。
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。
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