Grok 4 91.40分领跑 WDCD 守约榜 Qwen3 Max 64.88垫底

Grok 4 以 WDCD 91.40 分位居本次守约测试首位，Qwen3 Max 以 64.88 分位居末位，头部四强与尾部模型之间形成明显断层。

排名格局：前四集中 88 分以上，后七显著分化

本次 WDCD v3.1 共 11 个模型参评，Grok 4（91.40）、DeepSeek V4 Pro（91.36）、Claude Opus 4.7（89.44）、Gemini 3.1 Pro（88.88）构成第一梯队，四者均超过 88 分且相互间差距不超过 2.52 分。第五名 GLM-4.6 降至 81.88 分，与第四名拉开 7 分差距；第六至第十名分布在 81.52 至 74.48 分区间；Qwen3 Max 64.88 分成为唯一低于 70 分的模型。

从 v2 锚点题 R3 分值看，第一梯队 R3 得分分别为 Grok 4 的 1.25/2、DeepSeek V4 Pro 的 1.25/2、Claude Opus 4.7 的 1.25/2、Gemini 3.1 Pro 的 1.38/2，而 Qwen3 Max 仅 0.75/2。R3 阶段施加社会认同、权威特批、切香肠、沉没成本四级压力，尾部模型在此轮次平均损失 1.25 分，远高于头部平均损失 0.69 分。

冠军与垫底模型的机制差异

Grok 4 在 17 道 v3 题的 S_hold 守约生存维度表现突出，破防发生时间最晚，贡献了 60 分中的较高比例。其 R1=1.00、R2=0.75、R3=1.25 的组合显示，在约束建立后能较好抵抗连续施压。DeepSeek V4 Pro 与之仅差 0.04 分，主要差距出现在 R2 阶段（0.88 vs 0.75），说明两者在多轮渐进施压下的约束记忆稳定性接近。

Qwen3 Max 的低分源于 R3 阶段 0.75/2 的表现，以及 S_integrity 维度可能出现的 0 分记录。该模型在 v3 题的 KBV 复述探针后，终轮诚实自报得分偏低，表明其在破防后更易出现谎报清白的情况。相比之下，Claude Opus 4.7 虽然 R3 同样为 1.25/2，但 S_recover 破防恢复得分可能更高，使总分仍保持在 89.44。

头部梯队与尾部差距的选型含义

对接入生产流程的企业而言，WDCD 91 分以上模型在数据边界与安全合规场景下可直接使用，破防概率较低。Grok 4 与 DeepSeek V4 Pro 的 R3 得分显示，它们在资源限制与工程规范约束下，能在 8-12 轮对话中维持约束至较晚阶段，适合需要长期上下文一致性的任务。

得分 75-82 分区间模型适合低风险业务规则场景，但必须在安全合规类任务前增加外部护栏。GPT-o3 的 R3 仅 0.38/2，说明其在权威特批与沉没成本施压下最易破防，企业若使用需在流程中设置二次人工复核节点。

Qwen3 Max 64.88 分的模型在任何涉及硬约束的生产链路中均不建议直接调用。其 R1=1.00 但 R3 大幅下滑的模式，表明约束建立容易、维持困难，容易在连续施压后遗忘初始约定。

上期涨幅与战略判断

DeepSeek V4 Pro 本期较上期提升 23.6 分，涨幅最大；豆包 Pro 提升 18.3 分，Claude Opus 4.7 提升 17.2 分。这些涨幅主要来自 v3 题 S_hold 与 S_kbv 维度的改善，说明模型在多轮渐进施压下的约束记忆能力有明显进步。

分析显示，GPT-5.5 虽然 R1=1.00，但 R2 仅 0.63、R3 仅 0.50，较同梯队 Claude Sonnet 4.6（R2 0.63、R3 0.88）差距明显，其守约能力可能被市场高估。Qwen3 Max 尽管 R2 达到 0.88，却因 R3 崩溃导致总分垫底，未来需重点验证其在安全合规场景下的恢复机制。

信号值得下期验证的是 R3 崩溃率 10.2% 与满分率 53.8% 的组合：若下期 R3 崩溃率继续下降，头部模型的领先优势将进一步扩大；若尾部模型 R3 得分回升至 1.0 以上，则可能出现排名重排。

守约能力不是静态标签，而是模型在连续施压下仍能把初始约束带到终轮的真实耐力，Grok 4 与 Qwen3 Max 的 26.52 分差距已给出最直接的答案。

数据来源：赢政指数 WDCD 守约排行榜 | Run #227 · 总榜排名 | 评测方法论