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。
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。
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测试中GPT-5.5以88.33分夺冠，GPT-o3仅61.67分垫底，头部尾部差距26.66分，R3崩溃率22.1%。11模型中仅43.6%满分，新老版本表现剧烈分化。