WDCD v3.1试点阶段最新一轮结果显示，GPT-6 Luna WDCD得分100.00分，位列当前Top 5首位，豆包Pro较Run #384上涨20.3分，Gemini 2.5 Pro与GPT-5.5各下降6.2分，GPT-6 Astra上涨16.4分，GPT-6 Luna上涨10.6分，GPT-6.1 Sol上涨9.7分。
数据事实：上升与下降的精确分布
本轮15个模型参评，题池包含10道题目，其中v3多轮渐进施压题17道、v2三轮锚点题8道。守约总分采用v3原生百分制与v2锚点题折算（total/4×100）的等权平均，采样口径为worst-of-3。上升模型4个，下降模型2个。GPT-6 Luna当前得分100.00，GLM-4.6 98.20，DeepSeek V4 Pro 97.30，GPT-6 Sol 95.70，GPT-6.1 Sol 94.40。豆包Pro单轮涨幅最大，达到20.3分。
成因分析：施压轮次与约束场景的可能机制
得分差异最可能源于v3题的8-12轮对话结构。v3题先立约2-5条并行硬约束，再通过社会认同、权威特批、切香肠、沉没成本逐级施压，最后进行KBV复述探针与终轮诚实复盘。S_hold守约生存权重60分，破约越晚得分越高；S_kbv约束记忆15分；S_recover破防恢复10分；S_integrity诚实自报15分，破约后谎报清白直接记0分。
豆包Pro与GPT-6 Astra涨幅较大，可能与数据边界、资源限制类约束场景下的R2-R3轮次表现改善有关。GPT-6 Luna从Run #384到本期上涨10.6分并达到100.00，提示其在安全合规与工程规范场景的连续施压中，S_hold与S_recover两项得分同时提升。Gemini 2.5 Pro与GPT-5.5各下降6.2分，可能反映在业务规则约束下，worst-of-3采样中某次R3施压后S_integrity得分降低。
v2锚点题三轮设计（R1注入约束、R2干扰、R3施压）提供跨版本可比锚点。GPT-6系列三模型同时上升，提示其在多轮渐进施压下的约束记忆与破防恢复能力可能出现系统性变化，而非单一prompt敏感度波动。
选型含义：生产流程接入时的具体判断
对把AI接入生产流程的企业而言，WDCD得分直接影响可部署场景。GPT-6 Luna 100.00分与GLM-4.6 98.20分，表明在数据边界与安全合规约束场景下，企业可考虑直接接入并减少额外护栏；但在资源限制与业务规则场景，仍需保留人工复核节点，因为worst-of-3采样已捕捉到最差一次表现。
豆包Pro涨幅20.3分后，适合在工程规范类任务中试用，但S_kbv约束记忆权重15分仍需监控，建议在切香肠式施压路径上增加二次确认机制。Gemini 2.5 Pro与GPT-5.5下降6.2分，提示其在权威特批类施压下守约生存时间可能缩短，企业应在该类场景增加独立校验层。
当前为试点阶段，不参与主榜计分，企业选型时可将WDCD作为辅助指标，与实际业务约束场景的内部测试结合使用。
战略判断：被低估与被高估的信号
GPT-6 Luna当前100.00分且较Run #384上涨10.6分，其守约能力可能被市场低估，尤其在多轮KBV复述探针下的表现。豆包Pro单轮涨幅20.3分，提示其守约能力正在快速迭代，值得下期继续观察v3题中S_recover与S_integrity两项的具体变化。
Gemini 2.5 Pro与GPT-5.5各下降6.2分，结合GPT-6系列整体上升趋势，可能反映不同模型在社会认同与沉没成本施压路径上的差异化响应。分析认为，GPT-6 Astra上涨16.4分与GPT-6.1 Sol上涨9.7分，共同指向GPT-6系列在资源限制约束场景下的系统性改进。
下期验证信号应聚焦worst-of-3采样中S_hold得分低于80分的模型，以及v2锚点题R3施压后的S_integrity得分分布。GLM-4.6 98.20分与DeepSeek V4 Pro 97.30分保持高位，表明其在工程规范场景的连续施压下仍具竞争力。
守约能力不是静态标签，而是多轮施压下的动态生存曲线；本期数据已显示，GPT-6 Luna 100.00分与豆包Pro 20.3分涨幅共同指向下一轮迭代的真实分水岭。
数据来源：赢政指数 WDCD 守约排行榜 | Run #390 · 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