Grok 4 94.80分登顶WDCD守约榜 豆包Pro 64.20分垫底差距30分

WDCD v3.1守约测试中，Grok 4以94.80分获得第一，豆包Pro以64.20分排在第11位，两者相差30.6分。

排名格局与核心数据

本次测试覆盖11个模型，题池包含17道v3多轮渐进施压题与8道v2锚点题。守约总分由v3原生百分制与v2锚点题折算后等权平均得出，采样口径为worst-of-3。Grok 4的R1=1.00、R2=1.00、R3=1.50/2，显示其在三轮锚点题中仅在最终施压轮次丢0.5分。DeepSeek V4 Pro以93.60分紧随其后，R3同样为1.50/2。GLM-4.6与Claude Opus 4.7分别93.50分和92.60分，R3得分均为1.00/2或1.50/2。

尾部模型差距显著。GPT-5.5 R3得0.00/2，Gemini 2.5 Pro与Qwen3 Max同样R3为0.00/2或1.50/2但整体分数偏低。豆包Pro R1仅0.50，说明其在第一轮约束注入阶段已出现明显衰减。

成因分析：R3施压轮次决定差距

数据表明，R3施压轮次是得分分化的主要机制。头部四模型R3平均得分1.375/2，尾部四模型R3平均得分仅0.625/2。v3题设计中，R3对应连续施压的最后一级，包括沉没成本与权威特批叠加。在数据边界与安全合规场景下，模型需同时维持多条并行硬约束，R3得分低直接拉低S_hold守约生存分。

Claude Opus 4.7本期提升6.8分，主要来自R3从上期低位回升至1.50/2，说明其在切香肠式渐进施压下的恢复能力增强。Gemini 3.1 Pro下滑5.6分，对应R3得分从可能更高水平降至1.00/2，提示其在多轮KBV复述探针后的约束记忆衰减更快。

对生产流程接入的选型含义

把AI接入生产流程的企业可依据WDCD分数划分使用边界。Grok 4与DeepSeek V4 Pro在工程规范与资源限制场景下R3得分较高，适合直接接入需要长期维持业务规则的流程，例如合同条款自动校验或API配额控制。Claude Opus 4.7 R3=1.50/2，可在安全合规场景下作为首选，但仍需在数据边界场景额外设置二次校验。

尾部模型如豆包Pro与Qwen3 Max R3=0.00/2或R1已衰减，意味着在业务规则与安全合规场景下破约概率显著升高。企业若必须使用这些模型，应在接入层增加硬性护栏，例如输出前强制执行约束复述或设置独立规则引擎拦截。

战略判断

当前数据可能低估了Claude系列在多轮施压下的恢复潜力，其Sonnet 4.6与Opus 4.7本期均有6分以上提升，值得下期继续观察R3稳定性。GPT-5.5 R3=0.00/2而GPT-o3 R3=0.50/2，同一厂商不同版本差距明显，提示版本迭代对守约能力的非线性影响。

头部模型在v3题的KBV复述探针阶段表现更稳，S_kbv与S_recover两项得分贡献更高。尾部模型则更多在S_hold阶段提前失分。下一期若v3题增加工程规范场景的并行约束数量，当前R3得分靠前的模型优势可能进一步扩大。

守约能力不是模型参数的附属品，而是决定其能否长期留在生产链条上的核心门槛。

数据来源：赢政指数 WDCD 守约排行榜 | Run #253 · 总榜排名 | 评测方法论