WDCD Run #311: Grok 4 Leads with 93.2 Points as GLM-4.6 Sets New Decay Resistance Record
WDCD Run #311 (2026-09-06) evaluated 11 models across three-round multi-turn dialogues, with Grok 4 taking the top score
WDCD 相关资讯
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。
WDCD五场景横评：安全合规最低2.19分，glm-4.6四场景称霸
WDCD v3.1测试显示安全合规场景得分最低，qwen3-max仅2.19/4；glm-4.6在资源限制、业务规则、工程规范三场景均列前二，最大场景差距达1.67分。
R3诚信率仅49.5%：11模型WDCD三轮守约崩盘实测
v2锚点题数据显示，R1确认率100%，R2抵抗率79%，R3诚信率49.5%，29/319次完全崩溃。Grok 4与GLM-4.6 R3崩溃率最低（3.4%），Claude Opus 4.7与Qwen3 Max最高（17.2%）。分析聚焦
Grok 4守约93.21分登顶 WDCD榜 Qwen3 Max74.31垫底
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。
WDCD Run #306: Average Instruction Decay Hits -45.5% as Gemini 3.1 Pro Leads at 97.7 Points
WDCD Run #306 (2026-09-02) evaluated 11 models across three dialogue rounds, recording an average commitment decay of -4
Gemini 2.5 Pro WDCD暴涨22.2分，Claude Sonnet 4.6独跌13分
Gemini 3.1 Pro以97.70分登顶WDCD，Gemini 2.5 Pro单期上升22.2分，Claude Sonnet 4.6成为唯一下降模型（-13分）。5升1降格局下，守约生存与约束记忆分化明显，企业生产接入需优先高分模型。
WDCD五场景横评：安全合规最低仅2分，deepseek业务规则4分安全合规2.5分偏科1.5
安全合规场景全体得分最低，qwen3-max仅2/4，deepseek-v4-pro仅2.5/4；数据边界多模型4/4；deepseek-v4-pro业务规则4/4却安全合规2.5/4，差距1.5分。企业接入生产流程时需按场景加护栏。
WDCD三轮测试：11模型R3诚信率仅72.7%，3模型R3完全崩溃
WDCD v3.1试点中，8道v2锚点题显示R1确认率100%、R2抵抗率73%、R3诚信率72.7%，110次采样中3次R3完全崩溃。GLM-4.6、DeepSeek V4 Pro、Qwen3 Max在安全合规多约束场景下先确认后崩盘，G
WDCD守约榜：Gemini 3.1 Pro 97.7分领跑 Qwen3 Max 70.3分垫底
Gemini 3.1 Pro以97.70分位居WDCD v3.1守约榜首位，Qwen3 Max 70.30分垫底，11模型中满分率68.2%，R3崩溃率仅2.7%。头部与尾部在R3施压阶段差距达2.00分，生产接入需重点关注安全合规场景。
WDCD Run #296: Zero Instruction Decay Across All 11 Models, Grok 4 Leads at 96.3
WDCD Run #296 (2026-08-26) recorded 0% average commitment decay across 11 tested models, with Grok 4 topping the ranking
Claude Sonnet 4.6 暴涨13.5分 Gemini 2.5 Pro 暴跌12.5，WDCD v3.1 守约榜单剧烈洗牌
本期WDCD v3.1测试中，Claude Sonnet 4.6较Run #291上涨13.5分升至91.60分，Gemini 2.5 Pro下跌12.5分，Grok 4以96.30分继续领跑。3升4降格局下，守约能力分化加剧，对生产流程接
WDCD五大场景横评：安全合规最低1.5分，qwen3-max偏科差2.5
WDCD v3.1五大场景测试显示，安全合规场景全体得分最低，qwen3-max仅1.5/4，claude-sonnet-4.6满分。doubao-pro工程规范3.9/4却业务规则仅2.15/4，差距1.75。企业接入生产流程时，安全合规
11 模型 v2 锚点题 R3 诚信率 0%：WDCD 守约测试全线崩盘
v2 锚点题数据显示 11 个模型 R1 确认率、R2 抵抗率、R3 诚信率均为 0%，R3 完全崩溃 0/10。所有模型在三轮施压下均未守约，凸显当前大模型在硬约束下的系统性脆弱。
Grok 4 96.3分领跑WDCD，豆包Pro 67.9分垫底差距28分
Grok 4以96.30分位居WDCD v3.1守约榜首，豆包Pro 67.90分垫底，11模型中满分率58.2%、R3崩溃率0%。头部三强与尾部三强平均分差超24分，Claude Sonnet 4.6单期上涨13.5分，GPT-5.5下滑
WDCD Run #291: Grok 4 Leads with 94 Points as Average Multi-Turn Instruction Decay Hits -7.2%
WDCD Run #291 (2026-08-23) evaluated 11 models across three dialogue rounds, recording an average commitment decay of -7
4模型WDCD集体上涨无人下滑 Grok 4仍以94分领跑
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
业务规则1.83分最低，Grok-4安全合规3.86分，五大场景守约谁最不可靠
WDCD v3.1试点数据显示，业务规则场景平均得分最低，Doubao-Pro仅1.83/4；Grok-4在资源限制、安全合规、业务规则三场景均列前二；工程规范整体最高但区分度最小。企业接入生产流程时需针对性加护栏。
R3崩溃26次 Grok4零崩盘，WDCD三轮衰减真实轨迹
v2锚点题数据显示，R1确认率97%、R2抵抗率77%、R3诚信率仅51.3%，26次完全崩溃。Grok 4 R3零崩溃，GLM-4.6与Claude Opus 4.7各仅1次。分析聚焦多约束场景与渐进施压下的守约差异，为生产接入提供具体护
Grok 4 94分登顶 WDCD守约榜 豆包 Pro 68分垫底差距26分
Grok 4 以 WDCD 94.00 分位列第一，豆包 Pro 68.17 分垫底，头部与尾部相差 25.83 分。R3 施压轮次崩溃率仅 8.2%，满分率 56.7%。数据揭示不同模型在多轮渐进施压下的真实守约差异，为企业接入生产流程提