豆包 Pro以83.94分居首：2026-09-12 Smoke快测数据简报
2026-09-12 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 83.94 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。
Gemini 2.5 Pro代码执行暴跌25分 主榜下滑7.2分
Gemini 2.5 Pro今日Smoke评测代码执行从100.00分跌至75.00分，主榜从88.75分降至81.53分。材料约束升14.5分至89.50分，工程判断同步跌25分至50.00分。单日10题小样本下，需区分题目抽签波动与模型真实退化。
Grok 4 材料约束暴跌22.2分 主榜下滑5.2
Grok 4今日Smoke评测材料约束从100.00分跌至77.80分，下降22.2分，主榜从93.79降至88.64。代码执行升至97.50分，任务表达升至95.00分。单日10题测试下，维度得分剧烈波动最可能源于题目抽签。
豆包 Pro以95.28分居首：2026-09-11 Smoke快测数据简报
2026-09-11 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 95.28 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。
MLPerf Storage v3.0 基准测试结果发布
MLCommons近日公布MLPerf Storage v3.0基准测试结果。该版本新增KV Cache和Vector Database两项测试，覆盖更多AI推理存储场景。同时引入S3对象存储访问层，支持更广泛存储系统性能比较。共有19家机构提交结果，其中11家为首次参与。测试还重点关注功耗效率，揭示了存储系统在AI应用中的能效表现，为训练与推理系统选型提供重要参考。
GPT-o3代码执行暴跌24.7分 主榜跌至78.13 Smoke评测异常需关注
GPT-o3今日Smoke评测代码执行从94.50分跌至69.80分（-24.7），主榜从86.04分降至78.13分（-7.9）。材料约束反升12.6分至88.30，工程判断跌22.2分。单日10题快测下，此波动幅度超出常规，需判断是抽签波动还是真实退化。
GPT-5.5代码执行暴跌22.5分 材料约束却飙升28.6分
GPT-5.5今日Smoke评测中代码执行从94.50跌至72.00，材料约束从71.40升至100.00，主榜仅从84.11升至84.60。单日10题抽样导致的波动仍是主因，需持续观察下一期数据以确认是否为真实退化。
Gemini 3.1 Pro以98.35分居首：2026-09-10 Smoke快测数据简报
2026-09-10 赢政指数 Smoke 快测覆盖 10 个模型，Gemini 3.1 Pro 以 98.35 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。
7模型WDCD守约分集体下滑，Claude Sonnet 4.6逆涨8.6分
本期WDCD v3.1测试中，11个模型里7个分数下降，仅Claude Sonnet 4.6上升8.6分，GLM-4.6跌27分、Gemini 2.5 Pro跌23.8分。Grok 4以93.80分保持首位，GPT-o3 89.80分第二。守约能力分化加剧，对生产接入有直接参考价值。
安全合规场景最低分仅0.8，五大约束谁把模型守约能力打回原形
WDCD v3.1试点数据显示，安全合规场景全体得分最低，gemini-2.5-pro仅0.8/4，grok-4则拿下4/4；数据边界与业务规则平均得分最高，但11个模型在五大场景间普遍存在1.3-2.7分偏科差距，企业接入生产流程需针对性加护栏。
11模型WDCD三轮锚点：R3诚信率仅45.5%，Qwen3 Max与Claude Sonnet对决
v2锚点题显示，R1确认率91%后R2抵抗率骤降至41%，R3诚信率仅45.5%。Qwen3 Max、GLM-4.6等模型在多约束场景下出现先确认后崩盘，Claude Sonnet 4.6与Grok 4保持较高R3得分，揭示守约能力在连续施压下的真实差异。
Grok 4 93.80 分登顶 WDCD 守约榜，GLM-4.6 68 分垫底差距 25.8 分
Grok 4 以 93.80 分位居 WDCD v3.1 守约榜首，GLM-4.6 以 68.00 分垫底。11 个模型中 R3 崩溃率 9.1%，满分率 48.2%。头部与尾部差距主要体现在 R3 施压阶段的约束维持能力上。
Claude Sonnet 4.6材料约束暴跌33.6分 主榜下滑4.4
Claude Sonnet 4.6今日Smoke评测中材料约束从100.00跌至66.40，主榜从86.25降至81.86。代码执行反升19.5分至94.50，工程判断下滑17.5分。单日10题抽签下，材料约束大幅波动值得持续观察。
Grok 4 材料约束暴跌17.8分 代码执行反升18.5分 Smoke评测主榜仍涨2.2
Grok 4在今日Smoke评测中材料约束从100.00跌至82.20，代码执行从75.00升至93.50，主榜从86.25升至88.42。单日10题快测下，材料约束-17.8分的跌幅与代码执行+18.5分的涨幅形成明显反差，工程判断小降2.8分，任务表达小升4.1分。
豆包 Pro以89.91分居首：2026-09-09 Smoke快测数据简报
2026-09-09 赢政指数 Smoke 快测覆盖 10 个模型，豆包 Pro 以 89.91 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。
Claude Sonnet 4.6 与 Grok 4并列86.25分：2026-09-08 Smoke快测数据简报
2026-09-08 赢政指数 Smoke 快测覆盖 11 个模型，Claude Sonnet 4.6 与 Grok 4 以 86.25 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材料约束暴跌20分 主榜反升4.8分
GPT-o3今日Smoke评测中材料约束从70.00分跌至50.00分，工程判断从100.00分跌至50.00分，但代码执行从75.00分升至100.00分，主榜从72.75分升至77.50分。单日10题测试下，材料约束与工程判断同步大跌，需判断是抽签波动还是真实能力退化。
豆包Pro材料约束暴跌27.6分，代码执行却飙升49.3分
豆包Pro在今日Smoke评测中材料约束从85.90分跌至58.30分，降幅27.6分；代码执行从50.00分升至99.30分，升幅49.3分，主榜从66.16分升至80.85分。工程判断（侧榜，AI辅助评估）从100.00分跌至44.50分。单日10题测试下，维度分数剧烈波动，需判断是否为抽签波动还是真实退化。
DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6并列83.49分：2026-09-07 Smoke快测数据简报
2026-09-07 赢政指数 Smoke 快测覆盖 11 个模型，DeepSeek V4 Pro 与 Gemini 3.1 Pro 与 GLM-4.6 以 83.49 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。
Claude Sonnet 4.6跌5分豆包Pro涨7.5分 WDCD v3.1守约测试暴露稳定性反差
Claude Sonnet 4.6 WDCD分数下降5分，豆包Pro上升7.5分。Grok 4以93.21分保持首位，GLM-4.6 91.38分紧随。仅两模型出现显著变化，v3多轮施压下守约生存与约束记忆差异成为关键观察点。