Claude Sonnet 4.6以94.61分居首：2026-08-20 Smoke快测数据简报
2026-08-20 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 以 94.61 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
如何判断AI基准测试是否值得信赖
在企业AI应用中，基准测试分数常被用作模型选型和采购决策的依据，但部分结果存在“benchmark washing”问题。本文基于MLCommons多年实践，提出七项信任测试准则，涵盖基准相关性、数据污染控制、可复现性、指标完整性、模型作弊
MLPerf Client v2.0 发布：新增图像生成与智能体AI基准
MLCommons近日推出MLPerf Client v2.0基准测试套件，扩展了对AI PC的评估能力。新版本新增图像生成和Agentic AI类别，同时升级LLM推理测试，支持Phi 4 Mini Instruct和Qwen 3 8B模
SGLang 实现 Muse Glimmer Day-0 支持，优化本地 Agentic 推理
Meta Superintelligence Labs 与 SGLang 团队合作，为 30B 参数多模态模型 Muse Glimmer 带来 Day-0 支持。该模型具备 128k+ 上下文窗口，专为本地 Agentic 工作流设计。SG
统一基数缓存：混合模型前缀缓存的单一树结构
本文介绍SGLang的Unified Radix Cache方案，通过单一radix tree拓扑解决混合模型（FULL、SWA、MAMBA等组件）的KV缓存复用难题。组件机制分离共享前缀身份与特定复用规则，支持HiCache跨GPU L1
SGLang 实现 NVIDIA Nemotron 3.5 Lightning 零日支持
SGLang 宣布对 NVIDIA Nemotron 3.5 Lightning 提供零日支持。该模型采用 30B 参数混合专家架构，仅激活 3B 参数，专为高吞吐量代理任务设计，支持最长 1M 上下文长度。模型支持多令牌预测、DFlash
SGLang 实现 Qwen3.8 模型 Day-0 支持
SGLang 与 Miles 团队携手 Qwen、NVIDIA 等，为 Qwen3.8-2.4T-A95B 提供 Day-0 支持。该模型拥有 2.4T 总参数、95B 激活参数，采用混合注意力架构，对服务栈状态管理提出新挑战。文章详述混合
SGLang 高级 CUDA Graph 技术解析
本文深入探讨 SGLang 在 CUDA Graph 上的创新实践。通过重构 Runner/Backend 架构，SGLang 实现了 Breakable CUDA Graph（BCG）等高效策略，在不牺牲兼容性、启动时间和内存的前提下，最
Miles v0.1：生产级前沿后训练系统
Miles v0.1是前沿后训练的全栈生产就绪系统，继承slime设计理念，围绕“验证、干净、可定制”原则优化RL训练循环每个阶段。系统支持SGLang驱动的异步Rollout、TITO会话服务器、R3路由重放及低精度训练等特性，实现准确、
WDCD v3.1 周期：Gemini 2.5 Pro 涨 8.7 分，豆包 Pro 独跌 7.3
本期 WDCD v3.1 试点中，11 个模型里 4 升 1 降。Gemini 2.5 Pro 上升 8.7 分、GPT-5.5 上升 7.9 分、Claude Opus 4.7 上升 6.1 分，豆包 Pro 下降 7.3 分。Grok
安全合规最低1.15分 WDCD横评揭11模型2.85分守约鸿沟
WDCD v3.1五大场景横评显示，安全合规场景全体得分最低，qwen3-max仅1.15/4；工程规范11模型全部4/4。claude-sonnet-4.6与doubao-pro偏科差距分别达1.75分和2.3分，企业生产流程接入需针对性
三轮施压后R3诚信率仅22.7% 11模型WDCD守约崩盘实录
v2锚点题数据显示，R1确认率100%、R2抵抗率91%，R3诚信率仅22.7%，7/110次完全崩溃。GPT-o3等模型先确认后崩盘，GLM-4.6、DeepSeek V4 Pro在R3保持较高分数，揭示业务规则约束下的典型衰减路径。
Grok 4 97.5分登顶 WDCD守约榜 Qwen3 Max 69.5分垫底差距28分
Grok 4 以97.50分位列WDCD v3.1守约榜第一，Qwen3 Max以69.50分垫底，头部与尾部相差28分。11个模型中满分率63.6%，R3崩溃率6.4%。Claude Opus 4.7较上期上升6.1分，豆包 Pro下降7
豆包 Pro 材料约束单日跌40.9分 代码执行升25分主榜下滑4.7
豆包 Pro 今日 Smoke 评测中材料约束从90.90分跌至50.00分，代码执行从75.00分升至100.00分，主榜从82.16分降至77.50分。单日10题测试下，材料约束暴跌40.9分成为主因，需区分题目抽签波动与真实能力退化。
GPT-o3 Smoke评测主榜暴跌9分 材料约束单日掉20分
GPT-o3今日Smoke评测主榜从96.93分跌至87.93分，下降9分。材料约束维度从95.00分骤降至75.00分，工程判断升至75.00分，任务表达升至91.70分。代码执行维持98.50分，诚信评级仍为pass。
Claude Opus 4.7 与 GPT-5.5并列98.35分：2026-08-19 Smoke快测数据简报
2026-08-19 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 GPT-5.5 以 98.35 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。
豆包 Pro 主榜暴跌12.6分 代码执行单日跌25分
豆包 Pro 今日 Smoke 评测主榜从94.74分跌至82.16分，代码执行从100.00分降至75.00分，材料约束微升至90.90分。单日10题抽样导致的波动是主因，工程判断与任务表达保持稳定，诚信评级仍为pass。
Qwen3 Max主榜暴跌8.4分 材料约束单日掉16.5
Qwen3 Max今日Smoke评测主榜从95.34分跌至86.98分，降幅8.4分。其中材料约束从93.30分跌至76.80分，降16.5分，工程判断与任务表达侧榜跌幅更大。数据指向题目抽签波动与模型在特定约束场景下的不稳定。
GPT-o3以96.93分居首：2026-08-18 Smoke快测数据简报
2026-08-18 赢政指数 Smoke 快测覆盖 10 个模型，GPT-o3 以 96.93 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。
DeepSeek V4 Pro代码执行暴跌41.7分 主榜单日跌19.2
DeepSeek V4 Pro今日Smoke评测主榜从70.44分跌至51.24分，代码执行从66.70分直接跌至25.00分，材料约束反而升至83.30分。单日41.7分降幅远超正常抽签波动范围，需持续观察。