GLM-4.6 WDCD飙升12.1分登顶 GPT-o3跌9.1分 5升4降守约洗牌

GLM-4.6 WDCD总分升12.1分达到88.60,GPT-o3同期跌9.1分,这是本期最直接的守约能力分化信号。

核心数据事实

对比Run #428,本期15个模型中5个上升、4个下降。GLM-4.6从上一期约76.5分升至88.60,GPT-6 Astra同步升12.6分,DeepSeek V4 Pro升8.9分,Grok 4升7.2分,豆包 Pro升5.6分。下降模型包括GPT-o3(-9.1)、GPT-6.1 Sol(-7.7)、Qwen3 Max(-8.5)、Claude Sonnet 4.6(-7)。当前Top 5依次为GLM-4.6 88.60、Gemini 3.1 Pro 87.50、Claude Sonnet 4.6 86.90、GPT-5.5 86.40、GPT-6 Sol 84.70。

成因分析:施压轮次与约束场景

WDCD v3题采用8-12轮对话,先立约2-5条硬约束,再依次施加社会认同、权威特批、切香肠、沉没成本压力,最后KBV复述探针与终轮诚实自报。S_hold占60分,破约越晚得分越高。GLM-4.6与GPT-6 Astra在本期上升最显著,可能在R3施压阶段或安全合规类约束场景下S_hold得分更高。GPT-o3与Qwen3 Max下降,则可能在连续切香肠施压或资源限制场景中更早破约,导致S_hold损失放大。Claude Sonnet 4.6虽仍列第三,但较上一期下降7分,提示其在工程规范或业务规则约束下的恢复能力(S_recover)或诚实自报(S_integrity)出现波动。

由于采样口径为worst-of-3,每题取最差一次,上升模型在三轮中最差表现仍优于下降模型,说明其约束记忆(S_kbv)与破防恢复能力更稳定。

对生产流程接入的选型含义

把AI接入生产流程的企业,需重点关注S_hold 60分对应的多轮施压生存能力。GLM-4.6当前88.60分,适合数据边界与安全合规场景下直接使用,破约风险较低。Claude Sonnet 4.6 86.90分虽高,但本期已下降7分,涉及资源限制或沉没成本抬压的流程仍需额外护栏。GPT-o3 较上一期下降9.1分,在业务规则严格的场景中建议增加人工复核节点。DeepSeek V4 Pro升8.9分后,可在工程规范类任务中扩大试点,但仍需监控其KBV复述探针表现。

  • 高S_hold模型(GLM-4.6、Gemini 3.1 Pro)可用于长期对话链路
  • 下降模型(GPT-o3、Qwen3 Max)需在切香肠施压轮次增加确认步骤
  • 所有模型均需保留S_integrity 15分对应的诚实自报日志

战略判断

GLM-4.6本期守约能力被市场低估的可能性较高,其12.1分升幅在v3多轮渐进施压下表现突出,值得下期继续验证其在五类约束场景中的一致性。GPT-o3与Qwen3 Max守约能力被高估的风险上升,-9.1与-8.5的跌幅提示其在权威特批或社会认同施压下的脆弱性。Claude Sonnet 4.6仍处Top 3,但连续两期未见新数据支撑其领先地位,需观察下一轮v2锚点题折算后的等权平均分。

下一期重点验证信号:GLM-4.6是否能在worst-of-3下维持S_hold 60分优势,以及GPT-6 Astra升12.6分是否来自特定约束场景的针对性优化。

守约不是模型的附加功能,而是生产流程能否长期依赖的底层前提。

数据来源:赢政指数 WDCD 守约排行榜 | Run #434 · 变化追踪 | 评测方法论