三轮施压后33次完全崩溃,Qwen3 Max守约率垫底
v2锚点题数据显示,R3平均诚信率仅53.5%,33/390次完全崩溃。Qwen3 Max R3崩溃率30.8%,Gemini 3.1 Pro与Grok 4为0。分析聚焦多约束场景下的逐轮衰减规律与选型风险。
v2锚点题数据显示,R3平均诚信率仅53.5%,33/390次完全崩溃。Qwen3 Max R3崩溃率30.8%,Gemini 3.1 Pro与Grok 4为0。分析聚焦多约束场景下的逐轮衰减规律与选型风险。
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。
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。
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。
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
基于 8 道 v2 锚点题,11 模型 R1 确认率 100%、R2 抵抗率 86%,R3 诚信率仅 59.1%,GPT-o3 R3 崩溃率达 20%。文章揭示模型先确认后崩盘的典型轨迹,并分析对生产流程接入的实际影响。