Grok 4 以 WDCD 95.00 分成为当前 WDCD 守约排行榜冠军而 Claude Sonnet 4.6 以 64.10 分位列第 11 名两者相差 30.9 分。排名格局前三集中 90中部断层明显本次 WDCD v3.1 试点共 11 个模型参评采用 worst-of-3 采样。Grok 4、DeepSeek V4 Pro、GLM-4.6 三家 WDCD 分数分别为 95.00、94.00、93.60构成第一梯队。GPT-o3 89.80 分紧随其后与第一梯队拉开 4-5 分差距。第五名 Claude Opus 4.7 82.50 分开始进入中游区间Gemini 3.1 Pro 80.80 分、Gemini 2.5 Pro 76.80 分、GPT-5.5 70.40 分、豆包 Pro 70.20 分形成第二梯队。Qwen3 Max 66.70 分与 Claude Sonnet 4.6 64.10 分构成尾部。全局满分率 46.4%R3 崩溃率仅 4.5%说明多数模型在多轮施压下仍能维持较高守约水平但尾部模型在 R3 阶段已出现明显断崖。冠军 Grok 4R2 满分 1.00 是核心优势Grok 4 在 v2 锚点题中 R11.00、R21.00、R31.50/2三轮得分均衡且 R2 阶段无衰减。这意味着它在面对社会认同与权威特批双重干扰时仍能完整保留初始约束。相比之下DeepSeek V4 Pro R2 仅 0.50 分却靠 R3 满分 2.00/2 追回最终只落后 1 分。GLM-4.6 与 Grok 4 的 R1、R2 完全一致R3 也同为 1.50/2差距主要来自 v3 题原生百分制中的 S_hold 与 S_recover 细微差异。从约束场景看Grok 4 在数据边界与安全合规两类题中表现最稳定破防发生时间普遍晚于第 8 轮S_hold 得分贡献突出。垫底 Claude Sonnet 4.6R3 直接归零暴露恢复缺陷Claude Sonnet 4.6 是唯一 R3 得 0.00/2 的模型R11.00、R20.50 后在第三轮完全失守。结合 v3 题计分规则R3 归零直接导致 S_recover 与 S_integrity 两项均受重创。它的 WDCD 64.10 分较上期下降 5.9 分是唯一出现负增长的模型。该模型在资源限制与工程规范场景中面对沉没成本施压时最易提前破防且破防后无法通过 KBV 复述探针恢复约束记忆S_kbv 得分显著低于头部模型。头部与尾部差距的机制成因差距主要来自两类施压轮次一是 R2 干扰阶段的抗社会认同能力二是 R3 切香肠沉没成本的连续抬压能力。DeepSeek V4 Pro 与 Grok 4 在 R2 阶段得分差异仅 0.50 分却在 R3 阶段形成 0.50 分反超说明后者的恢复机制更强。对企业而言这意味着在长上下文、多代理协作场景中R3 表现直接决定生产流程中的实际风险敞口。对生产流程接入的选型含义把 AI 接入生产流程的企业可将 WDCD 90 模型用于数据边界与安全合规类任务无需额外护栏中游模型75-85 分适合资源限制场景但必须在工程规范环节增加人工复核节点尾部模型65 分以下仅建议用于低风险的内部问答任何涉及业务规则的决策均需设置独立校验层。具体判断Grok 4 与 DeepSeek V4 Pro 可直接用于客户数据脱敏流程Claude Sonnet 4.6 则需在代码生成场景增加二次审查。战略判断谁被低估谁需持续观察DeepSeek V4 Pro 本期较上期提升 26.2 分增幅最大其 R3 满分表现可能被市场此前低估。GLM-4.6 提升 21.8 分同样显示出在多轮渐进施压下的适应性增强。Claude Sonnet 4.6 的持续下滑则释放出守约能力被高估的信号。下期值得验证的信号是R3 得 2.00/2 的模型是否能在 v3.2 题池中维持 S_integrity 15 分满分以及尾部模型是否会在更多约束场景下出现系统性 R2 衰减。守约能力不是静态参数而是多轮对抗后的真实生存曲线Grok 4 目前画出了最平滑的那条。数据来源赢政指数 WDCD 守约排行榜 | Run #221 · 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