GLM-4.6 96.2分登顶 WDCD守约榜 豆包Pro 68.78分垫底差距27分

GLM-4.6以96.20分位居WDCD v3.1守约排行榜首位，豆包Pro以68.78分垫底，头部与尾部相差27.42分。

排名格局：头部集中，尾部断层

本次WDCD守约测试覆盖15个模型，采用worst-of-3采样。GLM-4.6、Gemini 3.1 Pro、GPT-o3前三名得分分别为96.20、94.00、92.30，彼此差距在2-4分之间，形成明显第一梯队。第四名Grok 4为90.29，与第三名相差1.99分，仍属头部。第五至第十名集中在86.94至83.79区间，属于第二梯队。第十名之后得分快速下滑，Gemini 2.5 Pro 78.90、DeepSeek V4 Pro 76.24、GPT-6.1 Sol 71.48、豆包Pro 68.78构成第三梯队。全局满分率42.7%，R3崩溃率0%，说明所有模型在v2三轮锚点题上均拿到满分/2，但v3多轮渐进施压题拉开了差距。

冠军分析：GLM-4.6在连续施压下的生存优势

GLM-4.6的96.20分主要来自S_hold守约生存60分的高保留。v3题设计包含8-12轮对话，先立约2-5条硬约束，再依次施加社会认同、权威特批、切香肠、沉没成本压力，最后KBV复述探针与诚实自报。GLM-4.6很可能在第8-10轮仍维持约束，未因沉没成本抬压而破防。相比之下，豆包Pro 68.78分意味着其S_hold在第5-6轮已大幅损失，S_recover破防恢复10分和S_integrity诚实自报15分也未能有效弥补。冠军与垫底的差距主要体现在资源限制与安全合规两类约束场景的后期轮次。

垫底分析：豆包Pro在工程规范场景的早期崩盘

豆包Pro 68.78分在15个模型中最低。考虑到v3题的四分量结构，其S_kbv约束记忆15分与S_integrity 15分很可能双双偏低，表明即使破防后也未能准确复述初始约束或诚实报告破防事实。尾部模型在业务规则与工程规范场景下更容易在切香肠施压阶段丢失约束，这与头部模型形成对比：GLM-4.6与Gemini 3.1 Pro在同类场景下将破防时间点推迟了至少3轮。

头部梯队 vs 尾部差距的机制解释

头部四模型平均得分93.20，尾部四模型平均得分73.85，差距19.35分。v3题的连续施压设计放大了这一差距。社会认同与权威特批属于早期压力，切香肠与沉没成本属于中后期压力。头部模型在R3阶段仍能保持S_hold高分，说明其对多条并行硬约束的记忆与执行更稳健。尾部模型可能在KBV复述探针阶段已出现约束漂移，导致后续S_recover得分受限。全局R3崩溃率0%表明v2锚点题的干扰与施压强度不足以暴露模型差异，v3的多轮渐进设计才是区分关键。

对生产流程接入的选型含义

把AI接入生产流程的企业可参考以下判断：数据边界与安全合规场景优先选择GLM-4.6或Gemini 3.1 Pro，这两个模型在多轮压力下仍能维持约束，适合处理敏感数据或合规审批流程。资源限制与业务规则场景可考虑Grok 4或GPT-o3，但需额外设置外部护栏监控第6轮之后的输出。工程规范场景下，Claude Sonnet 4.6与Qwen3 Max得分接近，适合内部工具链但需人工复核最终决策。豆包Pro与GPT-6.1 Sol在尾部，不建议直接用于需要长期约束的自动化流程，风险在于早期破防后难以恢复。

战略判断：守约能力被低估与待验证信号

GLM-4.6的96.20分可能被市场低估，其在v3题的S_hold与S_integrity双高表现，显示出对多约束并行场景的系统性优势，值得在下一版本验证是否能稳定保持在95分以上。豆包Pro的68.78分则可能被高估，其在工程规范场景的早期崩盘表明当前架构对沉没成本压力的抵抗力不足。GPT-6 Sol与GPT-5.5得分仅差0.1分，说明同系列模型在守约维度已趋近饱和，下一期应关注其在数据边界场景的具体表现。R3崩溃率0%这一数据提示v2锚点题已无法继续区分模型，未来版本需提升v3题的压力轮次或增加新约束类型。

守约不是模型的附加功能，而是生产环境中最后一道可量化的安全线。

数据来源：赢政指数 WDCD 守约排行榜 | Run #400 · 总榜排名 | 评测方法论