SGLang 赋能 Beam 模型生产级部署
Reflection 推出的 Beam 是一款 501B 参数的 MoE 模型,每 token 激活 23B 参数,专为软件工程和长时程智能体任务设计。SGLang 原生支持 Beam 并驱动其生产 API,提供 BF16、NVFP4、动态
Reflection 推出的 Beam 是一款 501B 参数的 MoE 模型,每 token 激活 23B 参数,专为软件工程和长时程智能体任务设计。SGLang 原生支持 Beam 并驱动其生产 API,提供 BF16、NVFP4、动态
本期WDCD v3.1试点仅GLM-4.6上升26分、GPT-5.5上升10.5分,无模型下降。GLM-4.6现WDCD 87.55进入前三,Grok 4仍以95.69领先。数据揭示多轮施压场景下约束保持能力的显著分化。
WDCD v3.1 试点数据显示四模型全线下滑,无一上升。Gemini 2.5 Pro 较 Run #331 下降16.7分,降幅最大;DeepSeek V4 Pro、GPT-5.5、Qwen3 Max 分别下降6.6、6.5、7.9分。G
Grok 4 以 93.60 分位居 WDCD v3.1 守约榜首位,Qwen3 Max 以 67.30 分垫底。11 个模型中满分率 56.4%,R3 崩溃率仅 2.7%。头部与尾部差距达 26.3 分,R3 施压轮次成为主要分水岭。
本期WDCD v3.1试点仅GLM-4.6与GPT-5.5出现下降,分别下跌29.8分和6分,其余9个模型无上升。Grok 4以91.76分保持首位,Gemini 3.1 Pro 89.59分紧随。数据揭示守约能力在多轮施压下的脆弱性差异,
Grok 4以93.21分位列WDCD守约榜第一,Qwen3 Max以74.31分垫底,头部与尾部相差18.9分。满分率58%,R3崩溃率9.1%。Claude Sonnet 4.6较上期下降5.0分,豆包 Pro上升7.5分。
本期WDCD v3.1试点显示4模型分数上升、0模型下降。豆包Pro上涨10.2分,Gemini 2.5 Pro上涨8.1分,GLM-4.6上涨6.8分,Qwen3 Max上涨7.6分。Grok 4以94.00分保持首位,GLM-4.6升至
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
本次WDCD v3.1测试中9个模型全部实现正向提升,DeepSeek V4 Pro涨幅23.6分达到91.36分,Grok 4以91.40分位居第一。零模型下降,显示整体守约能力阶段性改善。