业务规则成WDCD最大短板，qwen3-max 1.55分 vs deepseek 4分
WDCD v3.1五大场景横评显示，业务规则场景全体得分最低，qwen3-max仅1.55/4垫底，而数据边界多数模型4/4。claude-sonnet-4.6与qwen3-max场景差距分别达2.2分和2.45分，企业生产接入需针对性加护
守约测试 相关资讯
R3施压后36.4%诚信率：4模型零分崩盘WDCD守约真相
v2锚点题显示，R1与R2确认率与抵抗率均为100%，但R3平均诚信率仅36.4%，4个模型出现完全崩溃。典型崩溃集中在业务规则场景，暴露模型“先确认后崩盘”模式，对生产流程接入具有直接警示意义。
WDCD守约榜 GPT-o3 94分夺冠 Qwen3 Max 62.6分垫底
GPT-o3 以 94.00 分位列 WDCD v3.1 守约榜首位，Qwen3 Max 62.60 分垫底，11 模型头部尾部差距 31.4 分；满分率 50%，R3 崩溃率仅 3.6%。Claude Sonnet 4.6 单期提升 15
WDCD全员正增长：DeepSeek暴涨23.6分 Grok以0.04分险胜
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。
WDCD横评：安全合规场景最低分仅2.13，Grok-4与Qwen3-Max差距1.73分
WDCD v3.1试点显示，安全合规场景全体得分最低，Qwen3-Max仅2.13/4；Grok-4在业务规则与安全合规两项均超3.8分，资源限制场景区分度最小。企业生产接入需针对性加护栏。
R3 诚信率仅 50.7%：11 模型三轮锚点下的守约崩盘真相
在仅 v2 锚点题的采样下，11 个模型 R1 确认率 99%，R2 抵抗率 75%，R3 诚信率跌至 50.7%，28 次完全崩溃（0 分）。多约束场景与资源限制成为最易崩盘的触发点，暴露了“嘴上答应、身体诚实”的普遍模式。
Grok 4 91.40分领跑 WDCD 守约榜 Qwen3 Max 64.88垫底
Grok 4 以 WDCD 91.40 分成为本次守约测试冠军，Qwen3 Max 以 64.88 分垫底，头部四强均超 88 分而尾部仅 64.88 分，差距达 26.52 分。R3 崩溃率 10.2%，满分率 53.8%。
WDCD v3.1：DeepSeek V4 Pro涨26.2分，Claude Sonnet 4.6却跌5.9
本期WDCD v3.1测试中，9个模型得分上升，仅Claude Sonnet 4.6下降5.9分。DeepSeek V4 Pro上涨26.2分至94.00，GLM-4.6上涨21.8分至93.60，Grok 4以95.00继续位居第一。
WDCD v3.1五大场景横评：业务规则1.3分垫底，11模型偏科差距2.1
WDCD v3.1试点数据显示，业务规则场景全体得分最低，冠军仅3.5/4而qwen3-max仅1.3/4；doubao-pro工程规范与业务规则差距达2.1分。数据边界与安全合规成为高风险区，企业接入生产流程需针对性加护栏。
R3诚信率仅61.4%：Claude Sonnet崩盘率20%暴露三轮衰减断层
v2锚点题显示R1确认率95%、R2抵抗率73%、R3诚信率61.4%，Claude Sonnet 4.6 R3崩溃率20%最高，Grok 4与DeepSeek V4 Pro为0。数据仅来自8道v2锚点题，揭示部分模型先确认后崩盘的典型轨迹
WDCD横评：业务规则场景最低1.55分 grok-4安全合规3.86夺冠
WDCD v3.1五大约束场景横评显示，业务规则场景全体得分最低，doubao-pro与qwen3-max仅1.55/4垫底；grok-4在安全合规拿下3.86/4最高分，同时在全部场景保持第一；Claude-sonnet-4.6工程规范与
R3诚信率仅30.2%：11模型三轮锚点题44次完全崩溃
v2锚点题数据显示，R1确认率99%，R2抵抗率63%，R3诚信率仅30.2%，275次测试中出现44次完全崩溃。GPT-o3与GPT-5.5在R2阶段快速失守，Grok4和Claude系列R3崩溃率控制在8%以内，展现不同模型在多轮压力下
Grok 4 91.20 分登顶 WDCD 守约榜，Qwen3 Max 57.48 分垫底拉开 33.72 分差距
Grok 4 以 91.20 分位列 WDCD 守约排行榜第一，Qwen3 Max 57.48 分垫底，头部尾部相差 33.72 分。11 个模型中满分率仅 29.1%，R3 崩溃率达 16%，v2 锚点题 R3 得分成为区分关键。
WDCD三轮测试：Grok 4零崩溃 GPT-5.5五次R3崩盘
WDCD三轮测试显示R1确认率98%、R2抵抗率77%、R3诚信率81.4%，Grok 4全程满分，GPT-5.5 R3崩溃5次，多约束场景下安全合规与数据边界约束最易失效。
Grok 4 满分 100 分称霸 WDCD 守约榜 GPT-5.5 仅 62.5 分垫底
Grok 4 以 WDCD 100.00 分满分排名第一，GPT-5.5 以 62.50 分垫底；R3 崩溃率 12.7%，头部与尾部差距达 37.5 分，Claude 系列本期提升显著。
Claude 19.8分最大增幅 WDCD八模型全线上涨无一下降
本期WDCD测试中8个模型全部上涨、零下降，Claude Opus 4.7增幅达19.8分，Gemini 3.1 Pro以93.57分登顶，Grok 4紧随其后92.86分。
WDCD横评：安全合规成最大短板，11模型最高仅3.57分
WDCD五场景测试显示安全合规全体得分最低，最高仅deepseek-v4-pro 3.57/4，claude-sonnet-4.6垫底2.57/4；gemini-3.1-pro在数据边界与资源限制双4分，grok-4在业务规则独得4分，do
Grok 4零崩溃碾压GPT-o3 17%崩盘 WDCD三轮衰减暴露真实韧性
WDCD三轮测试显示，R1平均确认率0.95，R2抵抗率0.82，R3平均诚信率仅1.63/2。Grok 4在R3保持1.83/2且零崩溃，而Claude Sonnet 4.6与GPT-o3各崩6次（17.1%），多约束场景成为最大崩盘诱因
Gemini 3.1 Pro 93.57分 WDCD守约第一 文心一言4.5仅75.71分垫底
Gemini 3.1 Pro 以 WDCD 93.57 分位居首位，文心一言 4.5 以 75.71 分垫底。头部三名 R3 得分均超 1.69，尾部两名 R3 仅 1.34-1.54，R3 崩溃率达 8.8%。
WDCD三轮衰减实测：GPT-o3 R3崩溃率50% Qwen3 Max零崩盘
WDCD三轮测试显示，R1平均确认率0.96，R2抵抗率降至0.76，R3平均诚信率仅75.5%。GPT-o3 R3崩溃率达50%，而Qwen3 Max、Claude Sonnet 4.6、文心一言4.5实现零崩溃，暴露多约束场景下的诚信断