WDCD Run #263: Grok 4 Leads With 97.5 Points as Average Instruction Decay Hits -18.2%
WDCD Run #263 (2026-08-05) evaluated 11 models across three dialogue rounds, recording an average commitment decay of -1
WDCD 相关资讯
GPT-o3涨9.5分逆袭，GLM-4.6暴跌14.9，WDCD守约榜5模型洗牌
本期WDCD v3.1测试中，GPT-o3上升9.5分、Gemini 2.5 Pro上升7.6分，GLM-4.6下降14.9分、Claude Sonnet 4.6下降10.8分。Grok 4以97.50分保持首位，11模型中3降2升，守约能
WDCD横评：安全合规场景最低1.8分，工程规范集体4分满分
WDCD v3.1五大场景横评显示，安全合规全体得分最低，gpt-5.5仅1.8/4；工程规范区分度最小，11模型最低3.2/4。claude-opus-4.7与gpt-5.5偏科差距达2.2分，企业接入生产流程需按场景加护栏。
WDCD三轮衰减：R3诚信率仅54.5%，豆包Pro R1即崩6模型零崩溃
v2锚点题数据显示，11模型R1确认率91%、R2抵抗率68%、R3诚信率54.5%，豆包Pro R1=0全轮0分，Grok 4、GPT-o3、DeepSeek V4 Pro等6模型R3零崩溃。分析聚焦多约束场景下先确认后崩盘模式，为生产接
Grok 4 97.5分登顶 WDCD守约榜 豆包Pro 68分断崖垫底
WDCD v3.1守约测试显示，Grok 4以97.50分位列第一，豆包Pro以68.00分垫底。R3崩溃率仅5.5%，满分率51.8%。Claude Opus 4.7下滑5.9分，GLM-4.6下滑14.9分，GPT-o3上升9.5分。头
WDCD Run #253: Grok 4 Leads with 94.8 Points as Average Instruction Decay Holds at 4.5%
WDCD Run #253 (2026-07-29) tested 11 models across three dialogue rounds, recording an average commitment decay of 4.5%.
Claude双雄涨6.8分 Gemini独跌5.6 WDCD守约榜剧烈洗牌
本期WDCD v3.1试点数据显示，Claude Opus 4.7与Sonnet 4.6分别上涨6.8分和6.7分，Gemini 3.1 Pro下跌5.6分，GPT-5.5上涨5.3分。Grok 4以94.80分保持首位，3升1降格局下，守
WDCD五大场景横评：业务规则全员最低，工程规范3分差距最残酷
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，doubao-pro低至1.5/4；工程规范场景区分度最大，最高4/4与最低1/4相差3分。Claude-opus-4.7在四场景拿4/4，唯工程规范跌至3/4，暴
WDCD三轮锚点测试：R3诚信率仅45.5% GPT-5.5与Qwen3 Max崩盘率20%
v2锚点题显示，11模型R1确认率95%、R2抵抗率86%，但R3诚信率仅45.5%，9次完全崩盘。GPT-5.5与Qwen3 Max崩盘率达20%，Grok 4等四模型零崩盘，暴露多约束场景下的守约断层。
Grok 4 94.80分登顶WDCD守约榜 豆包Pro 64.20分垫底差距30分
Grok 4以94.80分位居WDCD v3.1守约榜首，豆包Pro以64.20分垫底，头部与尾部相差30.6分。11个模型中满分率54.5%，R3崩溃率8.2%。Claude Opus 4.7单期提升6.8分，Gemini 3.1 Pro
WDCD Run #247: Grok 4 Leads with Negative Decay as Average Instruction Decay Narrows to -1.8%
WDCD Run #247 (2026-07-26) evaluated 11 models across three dialogue rounds, recording an average commitment decay of -1
Grok4守约94.20分领跑 Claude Gemini双双下滑5分以上
本期WDCD v3.1试点数据显示，Grok 4以94.20分保持首位，Claude Opus 4.7与Gemini 3.1 Pro分别下降5.9分和5.6分，其余9个模型无上升，Top5中后三名分数集中在83分区间。两模型下滑直接拉开与G
WDCD五大场景横评：业务规则成最难关，Grok-4满分Claude-sonnet仅1.8
WDCD v3.1测试显示，业务规则场景全体得分最低，Grok-4拿下4/4而Claude-sonnet-4.6仅1.8/4，差距达2.2分。工程规范场景得分最高且最均衡，资源限制与安全合规则暴露明显模型偏科，企业选型需按场景加护栏。
R3诚信率仅50.6%：Grok 4零崩溃 GPT-o3 20%崩盘
v2锚点题显示11模型R3平均诚信率50.6%，Grok 4零崩溃，GPT-o3与Qwen3 Max崩溃率20%。R1确认率99%到R2抵抗率67%再到R3的断崖，揭示多约束场景下的真实守约表现。
WDCD Run #242: Grok 4 and GLM-4.6 Hold Zero Instruction Decay as Gemini 3.1 Pro Collapses at -100%
WDCD Run #242 (2026-07-22) evaluated 11 models across three-round multi-turn dialogues, recording an average commitment
GLM-4.6 WDCD暴涨13.7分 GPT-o3跌6.9 守约Top格局重构
本期WDCD v3.1数据显示，GLM-4.6较Run #233上涨13.7分升至92.00分，GPT-o3下滑6.9分降至87.10分，Grok 4以93.80分保持首位。4升2降格局下，约束记忆与破防恢复成为关键分差来源。
资源限制场景最低1.55分：11模型WDCD守约测试最大分差达2.45
WDCD v3.1五大场景横评显示，资源限制与安全合规得分最低，doubao-pro和gpt-5.5多次垫底，claude-opus-4.7在资源限制拿4分却在业务规则仅2.7分，偏科差距最大达2.45分。企业生产接入需针对性加护栏。
R3诚信率仅40.9%：WDCD四模型业务规则零分崩盘
v2锚点题显示R1确认率100%、R2抵抗率91%、R3诚信率40.9%，4/11模型R3得0分。所有崩溃案例均发生在业务规则场景的订单流程约束上，揭示模型在连续施压下的守约断裂规律。
Grok 4 93.80 分守约第一 豆包 Pro 67.30 分垫底差距 26.5 分
Grok 4 以 WDCD 93.80 分位居守约排行榜首位，豆包 Pro 以 67.30 分垫底。11 个模型中头部与尾部差距达 26.5 分，R3 崩溃率仅 3.6%。v3 多轮施压下，S_hold 守约生存分差异成为拉开排名的核心因素
WDCD Run #233: GPT-o3 Leads with Zero Instruction Decay, Gemini 3.1 Pro Collapses Completely
WDCD Run #233 (2026-07-15) evaluated 11 frontier models on multi-turn commitment integrity, recording an average instruc