GPT-o3以94.51分居首：2026-10-17 Smoke快测数据简报
2026-10-17 赢政指数 Smoke 快测覆盖 14 个模型，GPT-o3 以 94.51 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。
AI测评
Claude Opus 4.7主榜暴跌20.1分 代码执行单日跌28.1分
Claude Opus 4.7今日Smoke评测主榜从93.54分跌至73.45分，代码执行从97.00分降至68.90分，材料约束从89.30分降至79.00分。工程判断与任务表达反而上升。单日10题抽签导致的波动与真实能力退化需区分判断
豆包Pro材料约束暴跌15.3分 主榜下滑4.3分
豆包Pro今日Smoke评测中材料约束从87.90分跌至72.60分，降幅15.3分，主榜从89.44分降至85.09分；代码执行反升4.6分至95.30分，工程判断维持100分。
豆包 Pro以85.09分居首：2026-10-16 Smoke快测数据简报
2026-10-16 赢政指数 Smoke 快测覆盖 13 个模型，豆包 Pro 以 85.09 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-o3代码执行暴跌22.5分 主榜下滑7.8分
GPT-o3今日Smoke评测代码执行从94.50分跌至72.00分，主榜从92.39分降至84.60分；材料约束升至100.00分，任务表达升21.7分。单日10题测试中，代码执行维度2题得分大幅下滑，需判断是题目抽签波动还是模型真实变化
DeepSeek V4 Pro代码执行72分暴跌22.5 主榜跌至84.6分
DeepSeek V4 Pro今日Smoke评测中代码执行从94.50分跌至72.00分，主榜从92.39分降至84.60分，材料约束却升至100.00分。单日10题快测下，此波动需判断是抽签还是真实退化。
Gemini 2.5 Pro以95.91分居首：2026-10-15 Smoke快测数据简报
2026-10-15 赢政指数 Smoke 快测覆盖 13 个模型，Gemini 2.5 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。
WDCD v3.1周期：豆包Pro跌22.8 GPT-5.5升11.8 守约分化加剧
本期WDCD v3.1中6模型上升2模型下降，豆包Pro下跌22.8分最剧烈，GPT-5.5上升11.8分至92.60，DeepSeek V4 Pro上升9分进入Top4。GLM-4.6保持100分领先，显示守约能力在多轮施压下的显著分化。
WDCD五场景横评：数据边界1.7分垫底，安全合规成最大短板
WDCD v3.1试点数据显示，数据边界场景最低分仅1.7分（qwen3-max），安全合规场景垫底1.8分（doubao-pro），两者区分度最高。Claude与多款GPT模型在数据边界显著偏科，deepseek-v4-pro在业务规则与
WDCD三轮锚点测试：R3诚信率仅73.3%，Qwen3 Max R1直接0分
基于8道v2锚点题的worst-of-3采样，15模型R1确认率93%、R2抵抗率67%、R3诚信率73.3%，仅3次完全崩溃。Qwen3 Max首轮即破，Claude Opus 4.7 R2即崩，GPT-o3 R3崩盘；GLM-4.6等8
GLM-4.6 WDCD满分100 豆包Pro62分垫底 38分差距暴露什么
GLM-4.6以WDCD 100.00分登顶，豆包Pro仅62.00分垫底，15模型中满分率66%，R3崩溃率2%。头部与尾部差距达38分，揭示不同模型在多轮施压下的约束维持能力差异。
GLM-4.6 Smoke评测代码执行19.50分 材料约束全缺本期不排名
GLM-4.6今日Smoke评测因API故障导致grounding与judgment维度缺失，代码执行得分19.50分，任务表达50.00分，主榜无数据，本期不参与排名。需分析波动成因及关注必要性。
Gemini 3.1 Pro代码执行暴跌27.2分 主榜下滑6.5
Gemini 3.1 Pro今日Smoke评测中代码执行从91.70分跌至64.50分，降幅27.2分，主榜从82.39分降至75.89分。材料约束则从71.00分升至89.80分，工程判断保持100分不变。
Claude Opus 4.7 与 DeepSeek V4 Pro 与 GPT-o3并列92.39分：2026-10-14 Smoke快测数据简报
2026-10-14 赢政指数 Smoke 快测覆盖 13 个模型，Claude Opus 4.7 与 DeepSeek V4 Pro 与 GPT-o3 以 92.39 分并列当日首位。Smoke 为每日 10 题快测，适合观察短期信号，不
Gemini 3.1 Pro以82.39分居首：2026-10-13 Smoke快测数据简报
2026-10-13 赢政指数 Smoke 快测覆盖 13 个模型，Gemini 3.1 Pro 以 82.39 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。
DLRMv4：MLPerf推荐训练基准迈入序列化时代
MLPerf拟以DLRMv4填补序列化推荐训练负载空白：新基准用HSTU替代传统特征交互栈，并引入Yambda-5B真实多行为数据集，将嵌入表扩展至约560GB，更贴近超大规模生产推荐系统。
AI风险不该靠感觉：企业如何量化、定价与管理
MLCommons指出，企业AI治理的关键不是放慢采用，而是像管理数据泄露、信贷和安全风险一样，用独立基准和可审计证据量化AI风险。AILuminate等工具可帮助团队识别危害、配置控制并测试真实部署系统。
AI代理处理敏感数据风险新分类法发布
MLCommons AI Risk & Reliability工作组发布Agent Privacy Risk Taxonomy v0.1，系统梳理AI代理在处理个人数据时的五大隐私风险领域。该分类法聚焦数据摄取与处理、聚合使用与共享、跨代理
SGLang与Miles在NVIDIA Vera Rubin上的优化实践
本文报道SGLang与Miles团队提前获得两台NVIDIA Vera Rubin节点（共8张GPU）的早期访问权限，并在该平台上完成推理与强化学习训练的适配。SGLang针对Kimi K3 NVFP4模型在注意力、MoE通信及KDA核函数
GPT-6.1 Sol材料约束暴跌19分，代码执行却暴涨25分
今日Smoke评测中，GPT-6.1 Sol材料约束从89.30分跌至70.30分，降幅19分；代码执行从72.00分升至97.00分，涨幅25分；主榜从79.79分升至84.99分。工程判断升25分至100.00分，任务表达降5分至79.