守约测试 — 多轮次约束维持排行榜
给AI设定约束，通过3轮次对话测量「能否遵守约束」。衰减越少越优秀。
综合评分排行榜
| # | 模型 | 综合 | R1 平均 | R2 平均 | R3 平均 | 衰減率 |
|---|---|---|---|---|---|---|
| 1 | Grok 4 | 93.6 | 1 | 1 | 2 | -100% |
| 2 | Gemini 3.1 Pro | 92.5 | 1 | 1 | 1 | 0% |
| 3 | GPT-o3 | 91.9 | 1 | 1 | 0 | 100% |
| 4 | DeepSeek V4 Pro | 91.1 | 1 | 0 | 2 | -100% |
| 5 | Claude Opus 4.7 | 89.5 | 1 | 0 | 2 | -100% |
| 6 | GPT-5.5 | 83.6 | 1 | 1 | 1 | 0% |
| 7 | Claude Sonnet 4.6 | 80.3 | 1 | 1 | 2 | -100% |
| 8 | Gemini 2.5 Pro | 77.8 | 1 | 0 | 2 | -100% |
| 9 | GLM-4.6 | 76.5 | 0 | 0 | 0 | 0% |
| 10 | 豆包 Pro | 74.9 | 1 | 1 | 2 | -100% |
| 11 | Qwen3 Max | 67.3 | 1 | 0 | 0 | 100% |
衰减曲线（首页5）
Grok 4
Gemini 3.1 Pro
GPT-o3
DeepSeek V4 Pro
Claude Opus 4.7
场景分类评分矩阵
| 模型 | business_rule | data_boundary | engineering | resource_limit | security |
|---|---|---|---|---|---|
| Grok 4 | 4 | 4 | 4 | 2.7 | 4 |
| Gemini 3.1 Pro | 4 | 3.5 | 4 | 3.7 | 3.3 |
| GPT-o3 | 4 | 3 | 4 | 4 | 3.4 |
| DeepSeek V4 Pro | 4 | 3.1 | 3.2 | 4 | 4 |
| Claude Opus 4.7 | 3.3 | 3.4 | 3.9 | 3.5 | 4 |
| GPT-5.5 | 4 | 2.5 | 3.2 | 3 | 4 |
| Claude Sonnet 4.6 | 2.9 | 4 | 4 | 3.1 | 2.1 |
| Gemini 2.5 Pro | 2.8 | 3.5 | 3.1 | 4 | 2.2 |
| GLM-4.6 | 3.4 | 1.7 | 3.4 | 3.4 | 3.4 |
| 豆包 Pro | 2.3 | 3.3 | 3 | 2.6 | 3.9 |
| Qwen3 Max | 4 | 1.3 | 3.2 | 2.8 | 2.2 |