指令遵从与守约测试

Lab WDCD Run #276: Grok 4 Leads with 94.8 Points as Average Instruction Decay Hits -18.2%

WDCD Run #276 (2026-08-12) evaluated 11 models on multi-turn commitment integrity, with Grok 4 taking the top spot at 94.8 points while the fleet-wide

2026年08月12日

横评 WDCD v3.1周期追踪：豆包Pro+13.8 GPT-o3-11.6 守约排名大洗牌

WDCD v3.1试点数据显示，豆包 Pro 较 Run #271 上升 13.8 分，GLM-4.6 上升 9.9 分，Gemini 3.1 Pro 上升 6.8 分；DeepSeek V4 Pro 下降 8 分，GPT-o3 下降 11.6 分。当前 Top 5 中 Grok 4 以 94.80

2026年08月12日

横评 业务规则场景最低仅1.55分，Claude资源限制崩盘2分

WDCD v3.1试点数据显示，业务规则场景全体得分最低，qwen3-max仅1.55/4垫底；claude-opus-4.7在数据边界拿4/4却在资源限制跌至2/4，差距达2分。11模型中资源限制与业务规则成为最易破防场景，企业接入生产流程需针对性加护栏。

2026年08月12日

横评 R3 诚信率仅 59.1%：GPT-o3 20% 崩溃暴露三轮守约断层

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。

2026年08月12日

横评 Grok 4 94.80 分登顶 WDCD，Qwen3 Max 69.20 分垫底差距 25.6 分

Grok 4 以 94.80 分位列 WDCD v3.1 守约榜第一，Qwen3 Max 69.20 分垫底，11 个模型中 R3 崩溃率仅 4.5%。头部与尾部相差 25.6 分，GPT-o3 R3 直接 0 分暴露高压场景脆弱性。数据揭示不同模型在多轮施压下的真实约束保留能力。

2026年08月12日

横评 GLM-4.6代码执行跌12.5分 材料约束满分推主榜升5.4

GLM-4.6今日Smoke评测主榜79.38分，代码执行从75.00降至62.50，材料约束升至100.00，诚信评级从fail转为pass。单日10题抽签导致的波动最可能解释此变化，暂无模型真实退化信号。

2026年08月12日

横评 GLM-4.6诚信评级从Pass变Fail 任务表达暴跌25分主榜反升12.8

GLM-4.6今日Smoke评测中诚信评级从pass降至fail，任务表达从45.00分跌至20.00分，主榜却从61.25分升至74.00分。代码执行提升25分，材料约束小涨3.3分，工程判断持平。单日10题抽签下，诚信门槛触发与任务表达大降形成核心冲突。

2026年08月11日

Lab WDCD Run #271: Grok 4 Leads as Average Instruction Decay Drops to 0.9%

WDCD Run #271 (2026-08-09) tested 11 models across three rounds of multi-turn commitment scoring, recording an average instruction decay of just 0.9%

2026年08月09日

横评 Claude Sonnet 4.6 涨 8.8 分，豆包 Pro 跌 16 分：WDCD v3.1 守约分化

Claude Sonnet 4.6 WDCD 分数从上期上升 8.8 至 83.72，豆包 Pro 下降 16 分，GPT-5.5 上升 5 分。Grok 4 以 91.04 保持首位，v3.1 试点显示多轮施压下守约生存差异扩大。

2026年08月09日

横评 WDCD横评：数据边界全场景最低，11模型平均分仅2.8，doubao-pro 1.4分崩盘

WDCD v3.1五场景横评显示，数据边界全体得分最低，doubao-pro仅1.4/4垫底；业务规则区分度最大，deepseek-v4-pro拿下4/4满分。claude-sonnet-4.6工程规范4/4却业务规则仅2.55/4，暴露明显偏科。企业接入生产流程时，数据边界与安全合规需额外护栏。

2026年08月09日

横评 WDCD三轮锚点：豆包Pro 32%全崩Grok零崩溃，34次零分暴露守约裂痕

v2锚点题数据显示，11模型中豆包Pro R3崩溃率32%，Grok 4为0%；R3完全崩溃34/275次。R1确认率90%但R3诚信率仅44.4%，揭示多数模型先确认后崩盘的典型模式，仅限8道v2题口径。

2026年08月09日

横评 WDCD守约榜Grok 4 91.04分夺冠 豆包Pro 58分垫底差距33分

Grok 4以91.04分位居WDCD守约榜首，豆包Pro仅58分垫底，R3施压轮崩溃率达12.4%。11个模型中头部与尾部差距超过33分，Claude Sonnet 4.6单期提升8.8分，GPT-5.5提升5分。数据揭示多轮渐进施压下模型真实守约差异，对企业生产接入具有直接参考价值。

2026年08月09日

横评 Claude Sonnet 4.6跌22.6分 GLM-4.6波动59.9 GPT-o3升6.7分 Smoke周趋势

2026-W32 Smoke数据显示，Claude Sonnet 4.6从92.17跌至69.56，趋势-22.6；GLM-4.6波动达59.9且均值仅24.4；GPT-o3从89.2升至95.91，趋势+6.7。GPT-o3与Claude Opus 4.7稳步上升，DeepSeek V4 Pro与

2026年08月09日

横评 Grok 4 材料约束暴跌17.6分 主榜仅降1.8分

今日Smoke评测中Grok 4材料约束从82.60分跌至65.00分，降幅17.6分，主榜从82.99分微降至81.23分。代码执行反升11.2分至94.50分，工程判断升至100分，诚信评级从pass转为warn。单日10题快测下，这一材料约束异常值得重点追踪。

2026年08月07日

Lab WDCD Run #263: Grok 4 Leads With 97.5 Points as Average Instruction Decay Hits -18.2%

WDCD Run #263 (2026-08-05) evaluated 11 models across three dialogue rounds, recording an average commitment decay of -18.2%. Grok 4 topped the leader

2026年08月05日

横评 GPT-o3涨9.5分逆袭，GLM-4.6暴跌14.9，WDCD守约榜5模型洗牌

本期WDCD v3.1测试中，GPT-o3上升9.5分、Gemini 2.5 Pro上升7.6分，GLM-4.6下降14.9分、Claude Sonnet 4.6下降10.8分。Grok 4以97.50分保持首位，11模型中3降2升，守约能力分化加剧。

2026年08月05日

横评 WDCD横评：安全合规场景最低1.8分，工程规范集体4分满分

WDCD v3.1五大场景横评显示，安全合规全体得分最低，gpt-5.5仅1.8/4；工程规范区分度最小，11模型最低3.2/4。claude-opus-4.7与gpt-5.5偏科差距达2.2分，企业接入生产流程需按场景加护栏。

2026年08月05日

横评 WDCD三轮衰减：R3诚信率仅54.5%，豆包Pro R1即崩6模型零崩溃

v2锚点题数据显示，11模型R1确认率91%、R2抵抗率68%、R3诚信率54.5%，豆包Pro R1=0全轮0分，Grok 4、GPT-o3、DeepSeek V4 Pro等6模型R3零崩溃。分析聚焦多约束场景下先确认后崩盘模式，为生产接入提供守约风险判断。

2026年08月05日

横评 Grok 4 97.5分登顶 WDCD守约榜 豆包Pro 68分断崖垫底

WDCD v3.1守约测试显示，Grok 4以97.50分位列第一，豆包Pro以68.00分垫底。R3崩溃率仅5.5%，满分率51.8%。Claude Opus 4.7下滑5.9分，GLM-4.6下滑14.9分，GPT-o3上升9.5分。头部与尾部差距达29.5分，生产接入需重点关注R3施压下的约束

2026年08月05日

横评 GLM-4.6材料约束暴跌27.3分 主榜却逆势升30.2分

今日Smoke评测中GLM-4.6材料约束从75.00降至47.70分，主榜却从46.29升至76.47分，代码执行从22.80升至100.00分，诚信评级从pass转为warn。单日10题快测下，维度剧烈波动值得关注。

2026年08月01日