Grok 4 WDCD得分95.00，较Run #211上涨3.8分，继续位居第一；DeepSeek V4 Pro则上涨26.2分达到94.00，GLM-4.6上涨21.8分达到93.60，两者与Grok 4的差距均在2分以内。
数据事实：上升模型集中，中高分段竞争加剧
本次试点共11个模型参评，采样口径为worst-of-3。得分上升的模型包括Grok 4（+3.8）、DeepSeek V4 Pro（+26.2）、GLM-4.6（+21.8）、GPT-o3（+13.2）、Gemini 2.5 Pro（+17.3）、Claude Opus 4.7（+10.3）、豆包 Pro（+10.5）、GPT-5.5（+9.5）、Qwen3 Max（+9.2）。唯一下降模型为Claude Sonnet 4.6（-5.9）。当前Top 5依次为Grok 4（95.00）、DeepSeek V4 Pro（94.00）、GLM-4.6（93.60）、GPT-o3（89.80）、Claude Opus 4.7（82.50）。
守约总分由v3题原生百分制与v2锚点题折算值等权平均得出。v3题包含8-12轮对话，先立约2-5条并行硬约束，再经社会认同、权威特批、切香肠、沉没成本四类逐级施压，最后进行KBV复述探针与终轮诚实复盘。计分维度中S_hold守约生存权重最高（60分），破约越晚得分越高。
成因分析：v3施压轮次与约束场景的差异化表现
DeepSeek V4 Pro与GLM-4.6的大幅上涨，最可能来自S_hold维度在多轮施压下的延迟破约。v3题设计中，第4-7轮的“切香肠”与“沉没成本”施压最易触发早期破约；若模型在第8轮后才首次违反约束，S_hold即可获得较高分数。两模型本次得分接近Grok 4，说明它们在KBV复述探针阶段对初始约束的记忆保留率（S_kbv）可能同步提升。
Claude Sonnet 4.6的下降则指向S_recover与S_integrity两个低权重维度。v2锚点题的R3施压轮次满分2分，若模型在R3阶段破约后无法通过诚实自报拿回S_integrity分数，会被直接记0分。该模型本次下降5.9分，提示其在安全合规或工程规范类约束场景下的恢复能力出现退化。
五类约束场景中，资源限制与业务规则场景的并行硬约束数量通常为3-4条，对S_hold生存压力最大。得分上升的模型很可能在这两类场景的第6-9轮对话中保持了更长的守约轮次。
选型含义：生产流程接入的实际风险边界
对把AI接入生产流程的企业而言，Grok 4、DeepSeek V4 Pro、GLM-4.6三者WDCD均已超过93分，意味着在数据边界与安全合规场景下，可适当降低额外护栏密度。企业可在合同审查、合规检查等需要严格执行“不得泄露特定字段”约束的任务中优先尝试这三个模型。
Claude Opus 4.7得分82.50，仍高于中位水平，但与Top 3存在12分以上差距，在资源限制类任务中仍建议保留人工复核节点。Claude Sonnet 4.6得分下降后，其在需要多轮迭代修改的工程规范场景中，破约后谎报清白的风险相对更高，需额外增加S_integrity校验提示。
GPT-o3得分89.80，处于可接受区间，适合在业务规则场景中作为第二梯队选项，但当约束条数超过4条时，建议并行部署Grok 4进行交叉验证。
战略判断：守约能力被低估与高估的模型
DeepSeek V4 Pro与GLM-4.6本次涨幅超过20分，显示其守约能力此前可能被市场低估。两模型在v3题的连续施压阶段表现出更强的约束记忆保留，值得下一期重点验证其在“权威特批”施压下的表现是否稳定。
Claude Sonnet 4.6得分下降，提示其守约一致性可能被此前市场高估。分析显示，该模型在v2锚点题R3阶段的S_integrity表现下滑，直接拉低总分。企业若依赖其历史声誉进行选型，需重新评估其在多轮渐进施压下的实际表现。
Grok 4虽仅上涨3.8分，但仍以95.00保持领先，说明其在S_hold与S_kbv两个核心维度上已形成稳定优势。下一周期需观察Qwen3 Max（+9.2）与豆包 Pro（+10.5）是否能将涨幅转化为对Top 3的实质性追赶。
DeepSeek V4 Pro与GLM-4.6的26.2分与21.8分涨幅，揭示了守约能力在v3.1施压机制下的真实弹性；下一期若两模型在资源限制场景的第8轮后仍能维持约束，市场对“高守约模型”的排序或将发生实质性重构。
数据来源：赢政指数 WDCD 守约排行榜 | Run #221 · 变化追踪 | 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