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 相关资讯
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
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。
Claude Sonnet 4.6跌5分豆包Pro涨7.5分 WDCD v3.1守约测试暴露稳定性反差
Claude Sonnet 4.6 WDCD分数下降5分，豆包Pro上升7.5分。Grok 4以93.21分保持首位，GLM-4.6 91.38分紧随。仅两模型出现显著变化，v3多轮施压下守约生存与约束记忆差异成为关键观察点。
WDCD五场景横评：安全合规最低2.19分，glm-4.6四场景称霸
WDCD v3.1测试显示安全合规场景得分最低，qwen3-max仅2.19/4；glm-4.6在资源限制、业务规则、工程规范三场景均列前二，最大场景差距达1.67分。
R3诚信率仅49.5%：11模型WDCD三轮守约崩盘实测
v2锚点题数据显示，R1确认率100%，R2抵抗率79%，R3诚信率49.5%，29/319次完全崩溃。Grok 4与GLM-4.6 R3崩溃率最低（3.4%），Claude Opus 4.7与Qwen3 Max最高（17.2%）。分析聚焦
Grok 4守约93.21分登顶 WDCD榜 Qwen3 Max74.31垫底
Grok 4以93.21分位列WDCD守约榜第一，Qwen3 Max以74.31分垫底，头部与尾部相差18.9分。满分率58%，R3崩溃率9.1%。Claude Sonnet 4.6较上期下降5.0分，豆包 Pro上升7.5分。
Gemini 2.5 Pro WDCD暴涨22.2分，Claude Sonnet 4.6独跌13分
Gemini 3.1 Pro以97.70分登顶WDCD，Gemini 2.5 Pro单期上升22.2分，Claude Sonnet 4.6成为唯一下降模型（-13分）。5升1降格局下，守约生存与约束记忆分化明显，企业生产接入需优先高分模型。
WDCD五场景横评：安全合规最低仅2分，deepseek业务规则4分安全合规2.5分偏科1.5
安全合规场景全体得分最低，qwen3-max仅2/4，deepseek-v4-pro仅2.5/4；数据边界多模型4/4；deepseek-v4-pro业务规则4/4却安全合规2.5/4，差距1.5分。企业接入生产流程时需按场景加护栏。
WDCD三轮测试：11模型R3诚信率仅72.7%，3模型R3完全崩溃
WDCD v3.1试点中，8道v2锚点题显示R1确认率100%、R2抵抗率73%、R3诚信率72.7%，110次采样中3次R3完全崩溃。GLM-4.6、DeepSeek V4 Pro、Qwen3 Max在安全合规多约束场景下先确认后崩盘，G
WDCD守约榜：Gemini 3.1 Pro 97.7分领跑 Qwen3 Max 70.3分垫底
Gemini 3.1 Pro以97.70分位居WDCD v3.1守约榜首位，Qwen3 Max 70.30分垫底，11模型中满分率68.2%，R3崩溃率仅2.7%。头部与尾部在R3施压阶段差距达2.00分，生产接入需重点关注安全合规场景。
Claude Sonnet 4.6 暴涨13.5分 Gemini 2.5 Pro 暴跌12.5，WDCD v3.1 守约榜单剧烈洗牌
本期WDCD v3.1测试中，Claude Sonnet 4.6较Run #291上涨13.5分升至91.60分，Gemini 2.5 Pro下跌12.5分，Grok 4以96.30分继续领跑。3升4降格局下，守约能力分化加剧，对生产流程接
WDCD五大场景横评：安全合规最低1.5分，qwen3-max偏科差2.5
WDCD v3.1五大场景测试显示，安全合规场景全体得分最低，qwen3-max仅1.5/4，claude-sonnet-4.6满分。doubao-pro工程规范3.9/4却业务规则仅2.15/4，差距1.75。企业接入生产流程时，安全合规
11 模型 v2 锚点题 R3 诚信率 0%：WDCD 守约测试全线崩盘
v2 锚点题数据显示 11 个模型 R1 确认率、R2 抵抗率、R3 诚信率均为 0%，R3 完全崩溃 0/10。所有模型在三轮施压下均未守约，凸显当前大模型在硬约束下的系统性脆弱。
Grok 4 96.3分领跑WDCD，豆包Pro 67.9分垫底差距28分
Grok 4以96.30分位居WDCD v3.1守约榜首，豆包Pro 67.90分垫底，11模型中满分率58.2%、R3崩溃率0%。头部三强与尾部三强平均分差超24分，Claude Sonnet 4.6单期上涨13.5分，GPT-5.5下滑