WDCD Run #227: Grok 4 and DeepSeek V4 Pro Tie at 91.4 as Instruction Decay Averages -2.8% Across 11 Models
WDCD Run #227 (2026-07-12) evaluated 11 frontier models on multi-turn commitment integrity, with Grok 4 and DeepSeek V4
WDCD 相关资讯
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 Run #221: Average Instruction Decay Hits -36.4% as Grok 4 Leads 11-Model Field
WDCD Run #221 (2026-07-08) measured instruction decay across 11 frontier models over three dialogue rounds, recording an
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 Run #211: Grok 4 Leads with Just -13% Instruction Decay as GPT-o3 Collapses at -75%
WDCD Run #211 (2026-07-03) benchmarked 11 models on multi-turn commitment integrity, with Grok 4 taking the top spot at
WDCD Run #207: Average Instruction Decay Hits -66.3% Across 11 Models, Grok 4 Leads Field
WDCD Run #207 (2026-07-01) measured multi-turn commitment across 11 frontier models, recording an average commitment dec
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。
WDCD Run #202: Average Instruction Decay Hits -73.2% Across 11 Models, Gemini 3.1 Pro Leads
WDCD Run #202 (2026-06-28) measured multi-turn commitment integrity across 11 frontier models, recording an average inst
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