WDCD Run #336: Average Instruction Decay Hits -36.4% as Gemini 3.1 Pro Holds Zero Decay
WDCD Run #336 (2026-09-23) benchmarked 11 models on multi-turn commitment, recording an average instruction decay of -36
WDCD 相关资讯
四模型WDCD集体下滑 Gemini 2.5 Pro 暴跌16.7分
WDCD v3.1 试点数据显示四模型全线下滑，无一上升。Gemini 2.5 Pro 较 Run #331 下降16.7分，降幅最大；DeepSeek V4 Pro、GPT-5.5、Qwen3 Max 分别下降6.6、6.5、7.9分。G
数据边界成守约最大黑洞，11模型最低仅1.3分差距达2.7
WDCD v3.1测试显示，数据边界场景全体得分最低，qwen3-max仅1.3/4；业务规则场景最高分集中；claude-sonnet-4.6与qwen3-max偏科差距分别达1.9分和2.7分，企业生产接入需针对性加护栏。
WDCD三轮锚点测试：R3诚信率63.6% GPT-o3先确认后崩盘
仅基于8道v2锚点题，11模型R1确认率91%、R2抵抗率55%、R3诚信率63.6%，共出现3次R3完全崩溃。GPT-o3、GLM-4.6、Qwen3 Max在多约束场景下呈现“先确认后崩盘”轨迹，Grok 4、Claude Sonnet
Grok 4 93.60 分领跑 WDCD 守约榜 Qwen3 Max 67.30 分垫底
Grok 4 以 93.60 分位居 WDCD v3.1 守约榜首位，Qwen3 Max 以 67.30 分垫底。11 个模型中满分率 56.4%，R3 崩溃率仅 2.7%。头部与尾部差距达 26.3 分，R3 施压轮次成为主要分水岭。
WDCD Run #331: Grok 4 Leads at 91.8 as Average Instruction Decay Hits -15.1%
WDCD Run #331 (2026-09-20) evaluated 11 models on multi-turn commitment integrity, with Grok 4 topping the ranking at 91
GLM-4.6暴跌29.8分 GPT-5.5下滑6分 WDCD守约测试两模型全线退步
本期WDCD v3.1试点仅GLM-4.6与GPT-5.5出现下降，分别下跌29.8分和6分，其余9个模型无上升。Grok 4以91.76分保持首位，Gemini 3.1 Pro 89.59分紧随。数据揭示守约能力在多轮施压下的脆弱性差异，
WDCD横评：数据边界成最难场景 GLM-4.6仅1.36分崩盘
WDCD v3.1五大场景测试显示，数据边界全体得分最低，glm-4.6仅1.36/4，deepseek-v4-pro与gemini-3.1-pro达3.8/4；业务规则区分度最高，claude-opus-4.7满分4/4。资源限制与安全合
R3诚信率仅49.5%：Grok 4零崩溃与GLM-4.6 27.6%崩盘的守约差距
v2锚点题显示，11模型R1确认率86%、R2抵抗率72%、R3诚信率49.5%，完全崩溃30/319次。Grok 4 R3零崩溃，GLM-4.6达27.6%。数据仅来自8道v2锚点题，揭示多约束场景下模型守约真实表现。
Grok 4 91.76 分领跑 WDCD 守约榜 GLM-4.6 61.55 分断崖垫底
Grok 4 以 WDCD 91.76 分位居首位，GLM-4.6 以 61.55 分垫底，R3 崩溃率 9.4%，头部与尾部差距超过 30 分。v3 多轮施压下守约生存能力差异显著，11 个模型中仅 49.2% 达到满分。
WDCD Run #326: DeepSeek V4 Pro and Gemini 3.1 Pro Achieve Perfect Decay Resistance as Fleet Average Drops 72.7%
WDCD Run #326 (2026-09-16) tested 11 models on multi-turn commitment integrity, recording an average commitment decay of
Gemini 2.5 Pro WDCD暴涨25.1分 6模型进步仅豆包Pro跌6.3
本期WDCD v3.1测试显示Gemini 2.5 Pro上涨25.1分、Gemini 3.1 Pro上涨17.4分，DeepSeek V4 Pro以97.70分登顶，6模型进步仅豆包Pro下降6.3分，揭示多轮施压下守约能力分化。
WDCD横评：业务规则2.25分全场最低，工程规范成Claude唯一短板
WDCD v3.1试点数据显示，业务规则场景垫底分仅2.25分（doubao-pro），全体模型平均表现最差；数据边界场景glm-4.6仅1.7/4拉开最大单场景差距。Claude-opus-4.7在四场景满分却在工程规范跌至3/4，dou
91% 确认后 36% 抵抗：GLM-4.6 三轮全崩暴露约束短板
v2 锚点题显示 11 模型 R1 平均确认率 0.91，R2 抵抗率仅 0.36，R3 诚信率 81.8%，仅 1/110 次完全崩溃。GLM-4.6 成为唯一 R1-R3 全 0 的模型，其余模型多在 R2 崩盘后 R3 恢复。
97.7 vs 75.2：DeepSeek V4 Pro 守约碾压 Qwen3 Max 22分差距
DeepSeek V4 Pro 以 97.70 分登顶 WDCD v3.1 守约榜，Qwen3 Max 75.20 分垫底，头部与尾部差距 22.5 分。R3 崩溃率仅 0.9%，满分率 60%，显示当前模型在多轮施压下的守约稳定性已进入新
WDCD Run #316: Grok 4 Leads Multi-Turn Commitment Benchmark as Claude Sonnet 4.6 Sets Decay Resistance Record
WDCD Run #316 (2026-09-09) benchmarked 11 frontier models on multi-turn instruction adherence, with Grok 4 taking the to
7模型WDCD守约分集体下滑，Claude Sonnet 4.6逆涨8.6分
本期WDCD v3.1测试中，11个模型里7个分数下降，仅Claude Sonnet 4.6上升8.6分，GLM-4.6跌27分、Gemini 2.5 Pro跌23.8分。Grok 4以93.80分保持首位，GPT-o3 89.80分第二。
安全合规场景最低分仅0.8，五大约束谁把模型守约能力打回原形
WDCD v3.1试点数据显示，安全合规场景全体得分最低，gemini-2.5-pro仅0.8/4，grok-4则拿下4/4；数据边界与业务规则平均得分最高，但11个模型在五大场景间普遍存在1.3-2.7分偏科差距，企业接入生产流程需针对性
11模型WDCD三轮锚点：R3诚信率仅45.5%，Qwen3 Max与Claude Sonnet对决
v2锚点题显示，R1确认率91%后R2抵抗率骤降至41%，R3诚信率仅45.5%。Qwen3 Max、GLM-4.6等模型在多约束场景下出现先确认后崩盘，Claude Sonnet 4.6与Grok 4保持较高R3得分，揭示守约能力在连续施
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。