Qwen3 Max以84.51分居首：2026-09-30 Smoke快测数据简报
2026-09-30 赢政指数 Smoke 快测覆盖 10 个模型，Qwen3 Max 以 84.51 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
MLCommons代理可靠性框架入围全球监管黑客马拉松
MLCommons金融服务工作组的Agent Reliability Profile成功入围C:>DIR全球“Agentic Regulator”黑客马拉松决赛。该框架旨在解决AI代理在金融领域的授权与监督空白，通过Profile Buil
MLPerf Inference v6.1 基准测试创参与新纪录
MLCommons 发布 MLPerf Inference v6.1 基准测试最新结果，参与机构数量创历史新高。本次更新新增端到端 RAG 和边缘代理推理两项测试，反映 AI 推理部署趋势，同时支持投机解码优化。结果显示，视觉语言模型性能较
MLPerf Inference v6.1：行业工程投入新风向
MLPerf Inference v6.1创下新纪录，共有30家提交者参与，涵盖硅厂商、系统集成商、云服务商及推理软件公司。本轮标志着行业向agentic和端到端基准测试的明显转向，同时涌现大量新型硬件。Datacenter套件最受欢迎的基
MLCommons 加入欧盟 AIRIS 项目 推进生物医学 AI 基准测试
MLCommons 近日宣布成为欧盟地平线欧洲计划资助的 AIRIS 项目联合体成员。该项目汇集欧洲、加拿大和美国 21 家合作伙伴，获得 1690 万欧元资助，旨在开发融合生物知识与临床数据的生成式 AI 平台。MLCommons 将主导
MLPerf Training 推出首个 LLM 后训练基准
MLPerf Training 将从 2026 年 10 月 v6.1 提交轮次起新增 LLM 后训练基准，补充现有预训练测试。该基准采用 RLVR 方法，结合蒸馏、强化学习与监督微调，使用 Qwen 3.5 397B 模型和 R2E-Gy
SGLang SSD专家包：消费级硬件运行DeepSeek-V4-Flash与Kimi-K3
SGLang团队推出SSD Expert Pack技术，将MoE模型的专家权重存储于NVMe SSD，仅按需加载路由选中的专家。通过Expert Pack布局、直接I/O、固定暂存和GPU缓存等优化，将海量参数模型部署到消费级硬件成为可能。
NVFP4 KV Cache 加速长上下文与 Agent 推理
SGLang、Qwen 与 NVIDIA 团队联合推出 NVFP4 KV Cache 方案，基于 Blackwell 架构的 NVFP4 格式，通过双级缩放策略将 KV 缓存压缩至约 FP8 的 56%。该方案在 SGLang 中实现初始预
用 SGLang 扩展 JEV-like 决策模型
本文探讨如何利用 SGLang 高效服务 JEV-like 决策模型。通过点式与集合式提示设计，结合 Score API 与 MIS 执行优化，显著降低多候选决策的尾延迟。基准测试显示，在 Qwen3 系列模型上，MIS 在高负载下将 p9
Claude Opus 4.7 与 GPT-5.5并列80.2分：2026-09-29 Smoke快测数据简报
2026-09-29 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 GPT-5.5 以 80.2 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。
GPT-o3代码执行暴跌24.5分 主榜掉15.2，抽签还是真实退化
GPT-o3今日Smoke评测主榜从96.01跌至80.78分，代码执行单项暴跌24.5分至72.50，材料约束微降3.9分。工程判断保持100分，任务表达反升15分。分析显示此次大跌最可能源于2题抽签波动，而非模型整体退化。
Claude Opus 4.7 Smoke评测主榜跌13.9分 代码执行单日暴跌22分
Claude Opus 4.7今日Smoke评测主榜从96.01分跌至82.16分，代码执行从97.00分跌至75.00分，降幅22分；材料约束小降3.9分，任务表达从50.00分升至80.00分，工程判断维持100.00分。
GPT-5.5以93.16分居首：2026-09-28 Smoke快测数据简报
2026-09-28 赢政指数 Smoke 快测覆盖 11 个模型，GPT-5.5 以 93.16 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 Smoke评测主榜暴跌12.5分 代码执行单日跌28分
GPT-5.5今日Smoke评测主榜从91.32分跌至78.80分，代码执行从100.00暴跌至72.00，材料约束反升至87.10。单日10题抽签下，代码执行维度2题表现显著下滑，其他维度持平或上升，需区分题目波动与真实能力变化。
豆包 Pro 主榜暴跌 9.8 分，材料约束单日掉 13.7
豆包 Pro 在今日 Smoke 评测中主榜从 92.85 分跌至 83.00 分，代码执行降 6.7 分至 92.00，材料约束降 13.7 分至 72.00，工程判断从 100.00 跌至 75.00，任务表达升 8.3 分至 100.
7天Smoke数据：Claude Opus 4.7趋势25.2分最高，Gemini 3.1 Pro跌26.9分
2026-09-21至2026-09-27 Smoke评测显示，Claude Opus 4.7趋势25.2、均值87.8领跑；Gemini 3.1 Pro趋势-26.9、末日68.26最大跌幅；GLM-4.6波动73.9、Claude So
Grok 4以97.66分居首：2026-09-27 Smoke快测数据简报
2026-09-27 赢政指数 Smoke 快测覆盖 10 个模型，Grok 4 以 97.66 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。
豆包 Pro以92.85分居首：2026-09-26 Smoke快测数据简报
2026-09-26 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 92.85 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以86.25分居首：2026-09-25 Smoke快测数据简报
2026-09-25 赢政指数 Smoke 快测覆盖 10 个模型，GPT-5.5 以 86.25 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 Opus 4.7 与 Gemini 3.1 Pro并列84.61分：2026-09-24 Smoke快测数据简报
2026-09-24 赢政指数 Smoke 快测覆盖 10 个模型，Claude Opus 4.7 与 Gemini 3.1 Pro 以 84.61 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