R3诚信率仅30.2%：11模型三轮锚点题44次完全崩溃
v2锚点题数据显示，R1确认率99%，R2抵抗率63%，R3诚信率仅30.2%，275次测试中出现44次完全崩溃。GPT-o3与GPT-5.5在R2阶段快速失守，Grok4和Claude系列R3崩溃率控制在8%以内，展现不同模型在多轮压力下
AI测评
Grok 4 91.20 分登顶 WDCD 守约榜，Qwen3 Max 57.48 分垫底拉开 33.72 分差距
Grok 4 以 91.20 分位列 WDCD 守约排行榜第一，Qwen3 Max 57.48 分垫底，头部尾部相差 33.72 分。11 个模型中满分率仅 29.1%，R3 崩溃率达 16%，v2 锚点题 R3 得分成为区分关键。
GPT-5.5 执行满分 86.95 分领跑 Smoke 评测，约束短板暴露
2026-07-03 Smoke 评测显示，GPT-5.5 以执行 100 分、约束 71 分拿下主榜 86.95 分首位。Claude Sonnet 4.6 紧随其后，主榜 86.12 分。豆包 Pro 则以约束 81.7 分反超执行表现
Gemini 3.1 Pro 82.97 分登顶，执行 75 分拉开与第二名差距
2026-07-02 Smoke 评测显示，Gemini 3.1 Pro 以主榜 82.97 分（执行 75、约束 92.7）位居第一，豆包 Pro 81.98 分紧随其后。Claude Opus 4.7 约束 97 分最高，但执行仅 58
WDCD三轮测试：Grok 4零崩溃 GPT-5.5五次R3崩盘
WDCD三轮测试显示R1确认率98%、R2抵抗率77%、R3诚信率81.4%，Grok 4全程满分，GPT-5.5 R3崩溃5次，多约束场景下安全合规与数据边界约束最易失效。
Grok 4 满分 100 分称霸 WDCD 守约榜 GPT-5.5 仅 62.5 分垫底
Grok 4 以 WDCD 100.00 分满分排名第一，GPT-5.5 以 62.50 分垫底；R3 崩溃率 12.7%，头部与尾部差距达 37.5 分，Claude 系列本期提升显著。
豆包Pro Smoke评测主榜暴跌18.6分 代码执行单日跌38.8
豆包Pro今日Smoke评测主榜从85.91分跌至67.32分，代码执行从83.30分暴跌至44.50分，材料约束反而升至95.20分。单日10题快测中代码执行维度出现大幅波动。
Grok 4 Smoke评测主榜暴跌15.3分 代码执行单日跌31.4
赢政指数今日Smoke评测显示，Grok 4主榜从97.98分跌至82.73分，降幅15.3分，其中代码执行从100.00分骤降至68.60分。材料约束和任务表达反而上升，诚信评级维持pass。单日10题快测下，此类波动是否反映真实能力变化
Claude Opus 4.7 94.82 分登顶，Gemini 3.1 Pro 暴跌 32.2 分
2026-07-01 Smoke 轻量评测显示，Claude Opus 4.7 以 94.82 分（执行 94.5，约束 95.2）占据主榜首位，Claude Sonnet 4.6 紧随其后。Gemini 3.1 Pro 主榜暴跌 32.2
Claude Sonnet 4.6 Smoke主榜暴跌15.3分，代码执行单日掉25分
今日Smoke评测中，Claude Sonnet 4.6主榜从97.84分跌至82.52分，降幅15.3分。其中代码执行从100.00直接跌到75.00，材料约束小降3.5分，而工程判断和任务表达反而分别升10.4分和16.7分。
Claude Opus 4.7 Smoke测试主榜暴跌16分，代码执行单日掉27.2
在赢政指数今日Smoke评测中，Claude Opus 4.7主榜从100.00分跌至84.01分，代码执行维度从100.00分暴跌至72.80分，降幅达27.2分。材料约束仅降2.3分，工程判断反而上升9.1分，诚信评级维持pass。
Gemini 3.1 Pro 98.47 分登顶，Claude 执行分暴跌 27.2 后仅剩 72.8
2026-06-30 Smoke 评测显示，Gemini 3.1 Pro 以 98.47 分（执行 100、约束 96.6）排名第一。Claude Opus 4.7 执行分暴跌 27.2 至 72.8，主榜跌 16 分；文心一言 4.5 主
AI评估披露困境：传统补丁模式为何失效
MLCommons指出，AI系统与传统软件不同，其评估发现具有双重用途、无法通过补丁修复，且开放权重模型的危害会永久存在。协调漏洞披露（CVD）模式因此失效。文章分析了三大核心挑战：发现易被滥用、过度反馈会污染测试、无法集中修复模型。MLC
Chakra 走向成熟：AI 系统基准测试标准化生态
MLCommons Chakra 工作组于 2023 年成立，旨在解决 AI 系统快速发展带来的基准测试与软硬件协同设计难题。通过标准化执行追踪（Execution Trace），Chakra 提供了一个开放、可互操作的生态系统，支持从真实
MLCommons 发布 MLPerf Mobile v6.0，新增设备端 LLM 基准
MLCommons 正式推出 MLPerf Mobile v6.0 版本，新增针对 Android 设备运行大语言模型的生成式 AI 基准测试。该版本引入 Llama 3.2 1B、3B 及 Llama 3.1 8B Instruct 模型
MLPerf Training v6.0 基准结果发布：聚焦 MoE 稀疏计算
MLCommons 正式发布 MLPerf Training v6.0 基准测试结果。本次更新新增 DeepSeek V3 与 GPT-OSS 20B 两项基准，突出 Mixture-of-Experts（MoE）稀疏计算架构的行业趋势。测
GLM4-MoE 生产优化：SGLang 实现 TTFT 加速 65%
Novita AI 基于 SGLang 为 GLM4-MoE 模型开发了一套经过生产验证的高影响力优化方案。通过端到端性能优化策略，涵盖从内核执行效率到跨节点数据传输调度等全流程瓶颈，集成 Shared Experts Fusion 与 S
INT4 QAT RL 实战：单 H200 部署 1TB 模型
SGLang RL 团队受 Kimi K2 启发，成功落地 INT4 Quantization-Aware Training (QAT) 端到端方案。通过训练阶段的 fake quantization 与推理阶段 W4A16 真实量化结合，
不留任何Token：Miles框架TITO原则深度解析
在智能体强化学习中，rollout并非单次生成，而是多轮模型调用、工具输出与恢复生成的链式过程。Token-In-Token-Out（TITO）原则旨在消除训练与推理间的关键不匹配，确保训练器评估的token序列与推理引擎实际产生和消费的序
AMD MI355X 借 SGLang 与 MoRI 实现 TCO 领先
SGLang 与 AMD 团队合作，通过 MoRI 通信库在 AMD Instinct MI355X GPU 上实现大规模 DeepSeek-R1 推理的竞争性 TCO。在 129 tok/s/user 交互性下，MI355X 每百万 to