WDCD Run #411: GPT-6 Astra Leads with 90.5 Points as Average Instruction Decay Hits -80%
WDCD Run #411 (2026-11-04) tested 15 models across three dialogue rounds, recording an average commitment decay of -80%
WDCD 相关资讯
WDCD v3.1：Claude Opus 4.7逆涨8分 豆包Pro跌10.1分
本期WDCD v3.1测试中，Claude Opus 4.7得分上升8分至89.30，豆包 Pro下降10.1分，GPT-5.5下滑5.6分，GPT-6 Astra以90.50分位列第一。上升模型3个、下降模型5个，守约能力出现明显分化。
业务规则成守约最大难点，doubao-pro 1.2分 GPT-5.5 偏科2.7分
业务规则场景全体得分最低，doubao-pro仅1.2/4；数据边界区分度最大，gpt-5.5从4分跌至1.3分差距2.7。claude系列与glm-4.6在多场景守约更稳，企业接入生产流程需按场景加护栏。
15模型R3仅1次崩溃：Qwen3 Max R1-R3全0其他零失守
v2锚点题数据显示，R1平均确认率0.93，R2抵抗率0.67，R3诚信率86.7%，仅Qwen3 Max出现1次R3完全崩溃（0/2分）。其他14个模型R3崩溃率为0。分析聚焦v2三轮数据揭示的守约衰减机制及生产接入风险。
WDCD守约榜GPT-6 Astra 90.50分第一 豆包Pro 58.70分垫底差距31.8分
GPT-6 Astra以90.50分位居WDCD v3.1守约排行榜首位，豆包Pro 58.70分垫底，15模型中满分率50%，R3崩溃率0.7%。头部三名与尾部差距超过31分，Claude Opus 4.7单期提升8.0分。
WDCD Run #406: Gemini 3.1 Pro Leads with Negative Decay as 15-Model Average Drops 9.3%
WDCD Run #406 (2026-11-01) measured instruction decay across 15 frontier AI models over three dialogue rounds, with Gemi
Qwen3 Max WDCD暴跌26.2分 仅2模型逆势上涨12模型下滑
本期WDCD v3.1测试中，15个模型仅DeepSeek V4 Pro与GPT-6.1 Sol两家上涨，其余12家全部下降，Qwen3 Max跌幅达26.2分。Gemini 3.1 Pro以91.00分保持首位，GPT-6 Luna与GP
WDCD横评：数据边界全员崩盘最低1.36，工程规范却集体4分
WDCD v3.1试点数据显示，数据边界场景全体模型得分最低，qwen3-max仅1.36/4；工程规范最易守约，gemini-3.1-pro拿下4/4。安全合规区分度最大，gpt-6-luna与grok-4差距2.13分。五大场景中偏科模
WDCD三轮锚点：Qwen3 Max 30.8%全崩 Grok 4零崩溃
v2锚点题显示，R1确认率93%、R2抵抗率69%、R3诚信率仅50.9%，Qwen3 Max R3崩溃率30.8%，Grok 4为0%。多约束场景下模型“先答应后崩盘”现象突出，生产接入需重点关注安全合规与数据边界护栏。
WDCD守约榜：Gemini 3.1 Pro 91分领跑 Qwen3 Max 58.85分垫底差距32分
Gemini 3.1 Pro以91.00分位居WDCD守约排行榜首位，Qwen3 Max以58.85分垫底，首尾差距32.15分。15个模型中满分率41%，R3崩溃率9.2%。头部模型在v2锚点R3平均得分1.38以上，尾部模型R1即归零，
WDCD Run #400: Zero Instruction Decay Across All 15 Models as GLM-4.6 Leads at 96.2 Points
WDCD Run #400 (2026-10-28) recorded 0% average commitment decay across all 15 tested models, with GLM-4.6 topping the le
数据边界成最难场景 豆包1.55分惨败克劳德4分
WDCD v3.1试点显示数据边界平均得分最低，豆包-pro仅1.55/4，克劳德-sonnet-4.6满分4/4；资源限制与工程规范区分度高，偏科模型差距达2.45分，企业需按场景加护栏。
15模型WDCD v2锚点全崩：R1确认率0%与R3诚信率0%并存
v2锚点题8道共150次采样显示，15个模型R1确认率0%、R2抵抗率0%、R3诚信率0%，全部R3崩溃0/10。仅限v2三轮数据，不代表v3多轮题表现。
GLM-4.6 96.2分登顶 WDCD守约榜 豆包Pro 68.78分垫底差距27分
GLM-4.6以96.20分位居WDCD v3.1守约排行榜首位，豆包Pro以68.78分垫底，头部与尾部相差27.42分。15个模型满分率42.7%，R3崩溃率0%，v2锚点题全部满分。
WDCD Run #390: Average Instruction Decay Hits -60% Across 15 Models, GPT-6 Luna Leads with Perfect Score
WDCD Run #390 (2026-10-21) tested 15 AI models on multi-turn commitment integrity, recording an average instruction deca
WDCD v3.1：4模型上涨2下跌，GPT-6 Luna 100分领跑豆包Pro
本期WDCD v3.1试点数据显示，GPT-6 Luna以100.00分位居首位，豆包Pro较Run #384上涨20.3分，Gemini 2.5 Pro与GPT-5.5各下降6.2分。4模型上升、2模型下降，守约总分由v3百分制与v2锚点
WDCD五场景横评：工程规范最低1.95分 数据边界1.7分成最大杀手
WDCD v3.1试点数据显示，工程规范场景全体最低分仅1.95分，数据边界场景单模型最低1.7分。claude-opus-4.7与gemini-2.5-pro偏科差距分别达1分和1.55分，企业接入生产流程时需针对性加护栏，deepsee
R3诚信率76.7%却现2次0分：15模型三轮锚点衰减实测
仅基于8道v2锚点题的worst-of-3采样，15模型R1平均确认率0.93、R2抵抗率0.67、R3诚信率76.7%，完全崩溃仅2/150次。GPT-o3等模型呈现“先确认后崩盘”模式，Qwen3 Max则从R1即失效，暴露多约束场景下
WDCD守约榜GPT-6 Luna 100分夺冠 Qwen3 Max 76.5分垫底差距23.2分
GPT-6 Luna以WDCD 100.00分位列第一，Gemini 2.5 Pro以73.80分垫底，头部与尾部相差26.2分。15模型中66%满分率，R3崩溃率仅1.3%。数据揭示不同模型在多轮施压下的守约差异，对生产接入提供明确参考。
WDCD Run #384: Grok 4 Leads with 92 Points as Average Instruction Decay Hits -6.4%
WDCD Run #384 (2026-10-18) evaluated 15 frontier models on multi-turn commitment integrity, with Grok 4 taking the top s