GPT-6 Luna以82.77分居首:2026-11-17 Smoke快测数据简报
2026-11-17 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Luna 以 82.77 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。
最新AI模型测评、对比评价、深度分析
2026-11-17 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Luna 以 82.77 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。
2026-11-16 赢政指数 Smoke 快测覆盖 14 个模型,GPT-5.5 与 GPT-6 Sol 以 92.44 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。
本期WDCD v3.1数据显示,Claude Opus 4.7较Run #422下降9.7分,Gemini 2.5 Pro上升6.8分,GPT-5.5上升5.8分,豆包 Pro上升5.8分,GPT-o3下降5.4分。Gemini 3.1 Pro以89.83分位居首位。分析聚焦约束场景下的守约生存与恢复能力变化。
WDCD v3.1试点数据显示,数据边界场景全体得分最低,qwen3-max仅1.36/4;业务规则区分度最大,gpt-6.1-sol 3.88/4与gemini-2.5-pro 2.23/4差距达1.65分。工程规范最高分达4分,五个场景中偏科现象普遍,qwen3-max场景差距2.04分。
v2锚点题数据显示,R3平均诚信率仅53.5%,33/390次完全崩溃。Qwen3 Max R3崩溃率30.8%,Gemini 3.1 Pro与Grok 4为0。分析聚焦多约束场景下的逐轮衰减规律与选型风险。
Gemini 3.1 Pro 以 89.83 分位居 WDCD v3.1 守约测试首位,Qwen3 Max 58.85 分垫底。15 个模型中 R3 崩溃率 8.5%,满分率 41%。头部模型在连续施压轮次保持约束的能力显著强于尾部,提示企业接入生产流程时需针对安全合规场景额外加护栏。
豆包 Pro 今日 Smoke 评测主榜从73.40降至65.38分,代码执行从94.50暴跌至45.80分,材料约束从47.60升至89.30分,工程判断升至95.50分。单日10题抽样导致极端波动,需持续观察。
今日Smoke评测中,Claude Opus 4.7代码执行从94.50分跌至75.00分(-19.5),材料约束从70.00分升至89.30分(+19.3),主榜仅降2分至81.44。工程判断与任务表达同步上升,诚信评级维持pass。
2026-11-09至2026-11-15期间,GPT-5.5从78.74分升至88.75分,趋势+10;Gemini 2.5 Pro从82.52分跌至51.63分,趋势-30.9。GLM-4.6波动53.7分且诚信评级多次变化,GPT-6 Luna与Claude Sonnet 4.6分别上升5分和4.2分。数据揭示上升与下滑模型的明确分化。
2026-11-15 赢政指数 Smoke 快测覆盖 13 个模型,Claude Sonnet 4.6 与 GPT-6 Luna 以 95.19 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今日Smoke评测主榜从82.31分跌至70.61分,材料约束从61.30分暴跌至41.40分,降幅19.9分。代码执行小降5分,工程判断反升14.2分。单日10题快测下,材料约束异常下滑值得追踪。
Claude Opus 4.7今日Smoke评测主榜从94.91分跌至83.48分,降幅11.4分。其中材料约束从89.30分跌至70.00分,单日下降19.3分,代码执行下降5分。文章分析本次波动成因并给出选型判断。
2026-11-14 赢政指数 Smoke 快测覆盖 13 个模型,Claude Opus 4.7 以 83.48 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。
2026-11-13 赢政指数 Smoke 快测覆盖 13 个模型,Claude Opus 4.7 以 94.91 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。
豆包 Pro 今日 Smoke 评测主榜从79.18分跌至68.54分,下降10.6分。代码执行降10.1分至68.40,材料约束降11.3分至68.70,工程判断从100分跌至63.60。诚信评级维持pass,任务表达仅降1.2分。
Claude Opus 4.7今日Smoke评测中材料约束从88.30分跌至71.40分,主榜却从79.56分升至84.11分,主要因代码执行从72.40分升至94.50分。任务表达侧榜跌30分,需观察是否为单日抽题波动。
GLM-4.6 在 2026-11-12 Run#423 赢政指数 Smoke 快测中,主榜 53.40 分、代码执行 25.00 分、材料约束 88.10 分,诚信评级 fail(探针 25.00)。同日其余 13 个模型全部通过诚信探针,探针得分 80-100 分。该模型代码执行与材料约束形成明显反差,历史中已出现两次 fail。
2026-11-12 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Luna 以 88.93 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。
GLM-5.3-Flash融合稀疏注意力、循环线性注意力和MoE架构。在长上下文场景下实现高效服务,需要充足内存支持高并发、低输出token执行成本以及足够的prefill吞吐。本文介绍SGLang在NVIDIA H200上的优化方案,包括混合缓存复用、加速投机执行、针对性内核调优和FP8 prefill通信。实验结果显示,四卡H200上prefill输入吞吐提升2.06倍,decode输出吞吐提升4.32倍,端到端输出吞吐提升2.11-4.28倍。优化涵盖KV-only RadixCache、DFlash2投机解码、MoE GEMM调优及DSA Partial大KV tile等技术,有效平衡prefill与decode负载。
XM-Sparse将Netpreme X-Mem™与SGLang HiSparse深度整合,通过高带宽访问外置KV缓存显著降低解码延迟,并借助海量外部容量支持更大批次与更高并发。测试显示,在16K上下文和20% miss率下,X-Mem™相比主机DRAM将每输出token时间缩短49.25%,峰值吞吐提升2.09–3.04倍。该方案为Agentic工作负载提供了高效的稀疏注意力内存分层方案,X-Mem™ Pilot VM现已开放,硅片即将上市。