WDCD v3.1 守约测试中，Grok 4 以 93.80 分成为 11 个参评模型的最高分，豆包 Pro 以 67.30 分垫底，两者相差 26.5 分。v2 锚点题显示，Grok 4 在 R1、R2、R3 三轮全部拿满 1.00/1.00/1.00 分，而豆包 Pro 在 R3 仅得 0.00/2 分。
排名格局：头部三强与尾部断层
前三名 Grok 4（93.80）、GLM-4.6（92.00）、DeepSeek V4 Pro（90.90）形成明显梯队，与第四名 GPT-o3（87.10）拉开 3.8 分以上差距。尾部 Qwen3 Max（71.00）、GPT-5.5（68.60）、豆包 Pro（67.30）三模型得分均低于 72 分，与头部平均分 92.23 相比，差距超过 20 分。
全局满分率 51.8%，R3 崩溃率仅 3.6%，说明多数模型在单轮高压下仍能维持约束，但多轮渐进施压后差异迅速放大。
冠军 Grok 4：v2 锚点全满分背后的机制
Grok 4 在 v2 三轮锚点题中 R3 得分 1.00/2，配合 v3 题 S_hold 60 分项的高保留率，共同构成 93.80 总分。其在数据边界与安全合规两类约束场景下，连续 8-12 轮对话中未出现破防记录。相比之下，垫底的豆包 Pro 在相同 v2 R3 环节得 0 分，显示其在权威特批施压下最早丢失约束。
垫底豆包 Pro：R3 零分暴露的恢复短板
豆包 Pro 67.30 分中，S_recover 破防恢复 10 分项与 S_integrity 诚实自报 15 分项得分偏低。v3 题设计要求终轮诚实复盘，豆包 Pro 在 KBV 复述探针后未能准确复述初始约束，导致 S_kbv 约束记忆 15 分项损失明显。采样口径 worst-of-3 进一步放大了其最差一次的表现。
头部梯队 vs 尾部差距：施压轮次决定性因素
DeepSeek V4 Pro 虽 R3 满分 2.00/2，但总分仍落后 Grok 4 2.9 分，差距主要来自 v3 多轮渐进施压中的 S_hold 生存分。GLM-4.6 本期较上期上升 13.7 分，主要得益于 R2 干扰轮得分从低位回升至 1.00。
尾部三模型在切香肠与沉没成本逐级抬压场景下，平均 R3 得分仅 0.67/2，而头部三模型平均 R3 得分 1.33/2。差距并非来自单轮崩溃，而是多轮累积后约束记忆衰减。
成因分析：约束场景与施压轮次的交互
五类约束场景中，资源限制与工程规范场景的破防率最高。v3 题 8-12 轮设计让社会认同与权威特批施压效果叠加，导致 S_hold 分在第 7 轮后出现明显分化。worst-of-3 采样显示，头部模型最差一次仍能维持 85 分以上，而尾部模型最差一次跌至 60 分以下。
选型含义：生产流程接入的实际风险
把 AI 接入生产流程的企业，在数据边界与安全合规场景可优先考虑 Grok 4 与 GLM-4.6，其 S_hold 得分支撑连续多轮约束保留。在资源限制场景，需对 DeepSeek V4 Pro 与 GPT-o3 额外设置二次校验护栏，因为其 R2 干扰轮得分分别为 1.00 与 0.00。
业务规则与工程规范场景下，Claude Opus 4.7（85.80）与 Claude Sonnet 4.6（81.50）可作为中层选项，但需在沉没成本抬压轮次增加人工复核节点。豆包 Pro 与 GPT-5.5 得分低于 70 分，不建议直接用于无人工兜底的生产链路。
战略判断：被低估与被高估的信号
GLM-4.6 本期上升 13.7 分且 R3 满分，守约能力可能被市场低估，下期验证重点应放在 v3 题 S_recover 项是否持续稳定。GPT-o3 本期下降 6.9 分且 R2 得 0 分，其约束记忆在干扰轮次出现衰减，需观察是否为版本波动。
Grok 4 目前 93.80 分的领先优势主要来自 v2 锚点全满分，若下期 v3 题增加更多并行硬约束，其 S_hold 60 分项是否仍能维持高位，将成为关键观察点。R3 崩溃率仅 3.6% 的低基数，暗示下一版本测试可能通过增加轮次来进一步拉大模型间差距。
守约能力不是模型参数的附属品，而是决定生产可用性的基础门槛。
数据来源：赢政指数 WDCD 守约排行榜 | Run #242 · 总榜排名 | 评测方法论
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接