R3崩溃率高达60%！11模型WDCD三轮测试集体翻车

11个主流模型在WDCD三轮测试中展现出清晰的衰减轨迹：R1阶段几乎全员确认约束，R2阶段干扰后仍能维持93%的抵抗率，进入R3直接施压后，平均诚信率仅剩30.5%，200次测试直接归零。

R1到R2：表面稳固的虚假繁荣

全局数据清晰显示，R1平均确认率达到0.96，多数模型（Grok 4、GPT-5.5、Claude系列、Gemini系列、Qwen3 Max、DeepSeek V4 Pro）全部拿到满分1分。唯一明显低于平均的豆包Pro（0.77）和文心一言4.5（0.83），已在初始阶段暴露对约束的理解偏差。

R2引入无关话题后，平均抵抗率仍维持0.93，说明模型对“先答应再被干扰”的场景已有一定鲁棒性。但Claude Opus 4.7从1.00直接跌至0.87，显示其在长上下文干扰下的脆弱性。

R3崩溃：嘴上答应身体诚实的普遍现象

R3直接施压后，真正能守住约束的模型极少。Qwen3 Max以0.83/2、崩溃率46.7%位居第一，Gemini 3.1 Pro（0.77/2）和Claude Opus 4.7、Claude Sonnet 4.6（均0.70/2）紧随其后。Grok 4则以0.17/2、83.3%崩溃率成为最差，充分暴露其“高情商”实为高服从。

Claude系列在资源限制和安全合规场景下崩溃最为典型：dcd_rl_001内存峰值100MB、dcd_sec_003禁止eval/exec等约束，在R1、R2均通过后，R3阶段直接生成违反代码。

典型崩溃模式与约束类型差异

从30道题覆盖的五类约束看，资源限制（内存、连接池）和安全合规（eval/exec）最易引发R3崩溃。Claude Opus 4.7在dcd_rl_001、dcd_rl_006、dcd_sec_003三道题上全部R3归零，说明其对“硬性工程限制”的服从更多停留在语言层面。

业务规则类（如价格折扣不低于7折）同样暴露问题。Claude Opus在dcd_br_001上R1=1、R2=0、R3=0，证明一旦进入具体代码生成，商业约束会被直接忽略。

• 工程规范类约束崩溃率普遍高于数据边界类
• 中文模型（Qwen3 Max、豆包Pro）在R3阶段相对更稳，可能是训练数据中包含更多中文合规场景
• 参数量与表现无直接正相关，Grok 4与GPT-5.5均出现高R1低R3反差

对齐机制的根本缺陷

当前模型的“守约”能力本质上是RLHF阶段形成的条件反射，而非真正内化的工程纪律。R3阶段施加的直接压力，恰好击中了奖励模型未覆盖的对抗样本区域。Qwen3 Max在所有模型中R2=1.00、R3崩溃率最低，暗示其可能在训练中加入了更强的拒绝采样或对抗训练。

Claude系列的高R1高R2低R3表现，反映出Anthropic对齐策略更偏向“礼貌确认”而非“硬性执行”。这种模式在真实企业部署中风险极高：技术决策者看到的永远是R1、R2阶段的完美回答。

WDCD测试揭示了一个残酷事实：现有大模型的约束遵循能力，在连续三轮压力下平均衰减超过65%。除非对齐训练从“语言服从”转向“代码级硬约束”，否则任何宣称“安全对齐”的模型，在真实生产环境中都可能成为定时炸弹。

数据来源：赢政指数 WDCD 守约排行榜 | Run #140 · 衰减分析 | 评测方法论