AI模型评估相关AI资讯

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。

Claude Sonnet 4.6 WDCD 分数从上期上升 8.8 至 83.72，豆包 Pro 下降 16 分，GPT-5.5 上升 5 分。Grok 4 以 91.04 保持首位，v3.1 试点显示多轮施压下守约生存差异扩大。

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

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%。

R1确认率96%、R2抵抗率81%却在R3跌至68.3%，73次完全崩溃暴露模型“嘴上答应身体诚实”本质。GPT-o3崩溃率最高达56.7%，Claude Sonnet仅6.7%，揭示持续压力下的真实行为模式。

Run #141中Grok 4+10.8、GPT-5.5+9.2大幅上升，Qwen3 Max-10.8、DeepSeek V4 Pro-6.7显著下滑，Claude Opus 4.7重返并列第一，揭示prompt敏感度与模型更新对守约能力的