WDCD v3.1周期：豆包Pro跌22.8 GPT-5.5升11.8 守约分化加剧
本期WDCD v3.1中6模型上升2模型下降，豆包Pro下跌22.8分最剧烈，GPT-5.5上升11.8分至92.60，DeepSeek V4 Pro上升9分进入Top4。GLM-4.6保持100分领先，显示守约能力在多轮施压下的显著分化。
WDCD 相关资讯
WDCD五场景横评：数据边界1.7分垫底，安全合规成最大短板
WDCD v3.1试点数据显示，数据边界场景最低分仅1.7分（qwen3-max），安全合规场景垫底1.8分（doubao-pro），两者区分度最高。Claude与多款GPT模型在数据边界显著偏科，deepseek-v4-pro在业务规则与
WDCD三轮锚点测试：R3诚信率仅73.3%，Qwen3 Max R1直接0分
基于8道v2锚点题的worst-of-3采样，15模型R1确认率93%、R2抵抗率67%、R3诚信率73.3%，仅3次完全崩溃。Qwen3 Max首轮即破，Claude Opus 4.7 R2即崩，GPT-o3 R3崩盘；GLM-4.6等8
GLM-4.6 WDCD满分100 豆包Pro62分垫底 38分差距暴露什么
GLM-4.6以WDCD 100.00分登顶，豆包Pro仅62.00分垫底，15模型中满分率66%，R3崩溃率2%。头部与尾部差距达38分，揭示不同模型在多轮施压下的约束维持能力差异。
Qwen3 Max WDCD暴跌21.9分 6模型下滑仅豆包Pro逆涨9.5
本期WDCD v3.1测试中，Qwen3 Max分数下降21.9分，Gemini 2.5 Pro下降10.4分，6个模型出现下滑，仅豆包 Pro上升9.5分。GLM-4.6以95.20分位居第一，Grok 4以94.80分紧随其后。数据揭示
WDCD横评：安全合规最低1.1分，15模型偏科差距达2.9
WDCD v3.1测试中，安全合规场景全体得分最低，qwen3-max仅1.1/4垫底；claude-opus-4.7在数据边界与工程规范均拿4/4。15模型中10个出现场景间1分以上差距，企业选型需按场景加护栏。
15模型R3仅1次全崩溃 Qwen3 Max却10%崩盘 WDCD v2锚点三轮衰减真相
v2锚点题显示R1确认率100%、R2抵抗率60%、R3诚信率76.7%，150次采样仅1次R3崩溃。Qwen3 Max在R2即0分且R3崩溃率10%，而GLM-4.6、Claude Opus 4.7等模型R3零崩溃，揭示“先确认后崩盘”模
WDCD守约榜：GLM-4.6 95.2分领跑 Qwen3 Max 65.6分垫底
GLM-4.6以95.20分位居WDCD守约榜首，Qwen3 Max仅65.60分垫底。头部五强均在93分以上，尾部三模型低于80分，R3崩溃率0.7%，满分率64%。数据揭示模型在多轮施压下的真实守约差异。
GLM-4.6暴涨26分 GPT-5.5跟进10.5 WDCD守约格局突变
本期WDCD v3.1试点仅GLM-4.6上升26分、GPT-5.5上升10.5分，无模型下降。GLM-4.6现WDCD 87.55进入前三，Grok 4仍以95.69领先。数据揭示多轮施压场景下约束保持能力的显著分化。
WDCD五大场景横评：业务规则垫底2.13分，GPT-6系列偏科差1.84
WDCD v3.1测试显示，业务规则场景全体得分最低，doubao-pro仅2.13/4；数据边界与工程规范区分度最高，GPT-6-sol在两者间差距达1.84分。企业需针对不同约束类型加装护栏。
三轮施压后48.5%诚信率：Grok4零崩溃，GPT-o3崩盘率20.7%
v2锚点题数据显示，15模型R1确认率98%，R2抵抗率74%，R3诚信率仅48.5%，R3完全崩溃41次。Grok4零崩溃，GPT-o3崩溃率20.7%。分析聚焦多约束场景与资源限制下的逐轮崩盘机制，为生产接入提供护栏建议。
Grok 4 95.69 分登顶 WDCD，Qwen3 Max 73.48 分垫底差距超 22 分
Grok 4 以 95.69 分位列 WDCD v3.1 守约榜第一，Qwen3 Max 73.48 分垫底。15 个模型中 R3 崩溃率 9.4%，头部与尾部在多轮施压下的守约生存差异显著，提示生产接入需针对性加护栏。
Qwen3 Max暴涨20.2分 GLM-4.6紧随其后 WDCD五模型全线上升
本期WDCD v3.1测试显示5个模型全部上涨，Qwen3 Max提升20.2分、GLM-4.6提升19.9分，Grok 4仍以100分保持首位。无模型下降，守约生存与约束记忆得分普遍改善，提示生产接入时对数据边界和安全合规场景的可用性提升
WDCD五场景横评：工程规范2.45分最低 豆包与Claude偏科差距1.45分
WDCD v3.1试点数据显示，工程规范场景全体得分最低，豆包-pro仅2.45/4；安全合规场景区分度最大，qwen3-max垫底2.8/4。Claude系列与豆包出现明显偏科，差距达1.45分，为企业接入生产流程提供场景级守约参考。
11模型WDCD v2锚点R1确认率0% 守约从首轮即全崩
v2锚点8题测试显示，11个模型R1平均确认率0%、R2抵抗率0%、R3诚信率0%，R3完全崩溃0/110次。所有模型在约束注入阶段即未确认，守约能力在锚点题上呈现一致性失效。
Grok 4 100分称霸 WDCD 守约榜 豆包 Pro 75.3 垫底差距 24.7 分
Grok 4 以 WDCD 100.00 分位列第一，豆包 Pro 75.30 分垫底，头部尾部差距 24.7 分。11 个模型中满分率 64.5%，R3 崩溃率 0%。GLM-4.6 与 Qwen3 Max 本期分别提升 19.9 分和
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。