指令遵从与守约测试

170 篇文章 · 第 1/9 页

AI 模型是否真的按你说的做？指令遵从（instruction compliance）是企业部署 AI 最关键的评估维度，但传统评测很少涉及。WDCD（Winzheng Dynamic Contextual Decay）是全球首个系统性测量 AI 模型指令衰减的测试——通过三轮对话注入 2000-5000 字专业干扰文本，在 30 个约束问题、5 个真实业务场景中评估模型的指令遵从是否随对话深入而衰减。所有评分 100% 基于规则判定，零 AI 裁判。赢政指数的诚信评级还通过 42 组 canary probe 诱导探针检测模型是否编造引文、伪造数据。本专题汇集指令遵从研究、幻觉检测方法和 WDCD 测试结果分析。

深度指南

Claude Opus 5 与 GPT-5.6"越狱"传闻：基准数据怎么说

横评我们造了四条毫无意义的规则想诱骗AI违规，全失败了

WDCD v4行为判分上线：模型代码在插桩沙箱里真跑，按运行时动作日志判违规，换写法绕不过。我们用四条零危害的官僚规则+权威施压话术诱导模型"理性违规"，三梯队模型全部顶住；删掉"代码会被监控"的告知后重测，结果不变。顶部模型的代码级守约是真实行为——顺带我们还发现并修复了自家判分器的一起"冤案"。

横评 Gemini 2.5 Pro 诚信评级 fail 探针 25 分，主榜 18.37 分代码执行仅 23.50

Gemini 2.5 Pro 在 2026-08-21 Run#288 的 Smoke 快测中诚信评级 fail，探针得分 25.00，主榜 18.37 分，代码执行 23.50 分，材料约束 12.10 分。同日其余模型诚信均为 pass 或 warn，探针得分 40-90 分不等。

Lab WDCD Run #285: Average Instruction Decay Hits 54.5% Across 11 Models, Grok 4 Leads with Zero Drift

WDCD Run #285 (2026-08-19) tested 11 frontier models across three dialogue rounds and recorded an average commitment decay of 54.5%, with Grok 4 toppi

横评 WDCD v3.1 周期：Gemini 2.5 Pro 涨 8.7 分，豆包 Pro 独跌 7.3

本期 WDCD v3.1 试点中，11 个模型里 4 升 1 降。Gemini 2.5 Pro 上升 8.7 分、GPT-5.5 上升 7.9 分、Claude Opus 4.7 上升 6.1 分，豆包 Pro 下降 7.3 分。Grok 4 以 97.50 分继续领先，GLM-4.6 91.80

横评安全合规最低1.15分 WDCD横评揭11模型2.85分守约鸿沟

WDCD v3.1五大场景横评显示，安全合规场景全体得分最低，qwen3-max仅1.15/4；工程规范11模型全部4/4。claude-sonnet-4.6与doubao-pro偏科差距分别达1.75分和2.3分，企业生产流程接入需针对性加护栏。

横评三轮施压后R3诚信率仅22.7% 11模型WDCD守约崩盘实录

v2锚点题数据显示，R1确认率100%、R2抵抗率91%，R3诚信率仅22.7%，7/110次完全崩溃。GPT-o3等模型先确认后崩盘，GLM-4.6、DeepSeek V4 Pro在R3保持较高分数，揭示业务规则约束下的典型衰减路径。

横评 Grok 4 97.5分登顶 WDCD守约榜 Qwen3 Max 69.5分垫底差距28分

Grok 4 以97.50分位列WDCD v3.1守约榜第一，Qwen3 Max以69.50分垫底，头部与尾部相差28分。11个模型中满分率63.6%，R3崩溃率6.4%。Claude Opus 4.7较上期上升6.1分，豆包 Pro下降7.3分。

Lab WDCD Run #276: Grok 4 Leads with 94.8 Points as Average Instruction Decay Hits -18.2%

WDCD Run #276 (2026-08-12) evaluated 11 models on multi-turn commitment integrity, with Grok 4 taking the top spot at 94.8 points while the fleet-wide

横评 WDCD v3.1周期追踪：豆包Pro+13.8 GPT-o3-11.6 守约排名大洗牌

WDCD v3.1试点数据显示，豆包 Pro 较 Run #271 上升 13.8 分，GLM-4.6 上升 9.9 分，Gemini 3.1 Pro 上升 6.8 分；DeepSeek V4 Pro 下降 8 分，GPT-o3 下降 11.6 分。当前 Top 5 中 Grok 4 以 94.80

横评业务规则场景最低仅1.55分，Claude资源限制崩盘2分

WDCD v3.1试点数据显示，业务规则场景全体得分最低，qwen3-max仅1.55/4垫底；claude-opus-4.7在数据边界拿4/4却在资源限制跌至2/4，差距达2分。11模型中资源限制与业务规则成为最易破防场景，企业接入生产流程需针对性加护栏。

横评 R3 诚信率仅 59.1%：GPT-o3 20% 崩溃暴露三轮守约断层

基于 8 道 v2 锚点题，11 模型 R1 确认率 100%、R2 抵抗率 86%，R3 诚信率仅 59.1%，GPT-o3 R3 崩溃率达 20%。文章揭示模型先确认后崩盘的典型轨迹，并分析对生产流程接入的实际影响。

横评 Grok 4 94.80 分登顶 WDCD，Qwen3 Max 69.20 分垫底差距 25.6 分

Grok 4 以 94.80 分位列 WDCD v3.1 守约榜第一，Qwen3 Max 69.20 分垫底，11 个模型中 R3 崩溃率仅 4.5%。头部与尾部相差 25.6 分，GPT-o3 R3 直接 0 分暴露高压场景脆弱性。数据揭示不同模型在多轮施压下的真实约束保留能力。

横评 GLM-4.6代码执行跌12.5分材料约束满分推主榜升5.4

GLM-4.6今日Smoke评测主榜79.38分，代码执行从75.00降至62.50，材料约束升至100.00，诚信评级从fail转为pass。单日10题抽签导致的波动最可能解释此变化，暂无模型真实退化信号。

横评 GLM-4.6诚信评级从Pass变Fail 任务表达暴跌25分主榜反升12.8

GLM-4.6今日Smoke评测中诚信评级从pass降至fail，任务表达从45.00分跌至20.00分，主榜却从61.25分升至74.00分。代码执行提升25分，材料约束小涨3.3分，工程判断持平。单日10题抽签下，诚信门槛触发与任务表达大降形成核心冲突。

Lab WDCD Run #271: Grok 4 Leads as Average Instruction Decay Drops to 0.9%

WDCD Run #271 (2026-08-09) tested 11 models across three rounds of multi-turn commitment scoring, recording an average instruction decay of just 0.9%

横评 Claude Sonnet 4.6 涨 8.8 分，豆包 Pro 跌 16 分：WDCD v3.1 守约分化

Claude Sonnet 4.6 WDCD 分数从上期上升 8.8 至 83.72，豆包 Pro 下降 16 分，GPT-5.5 上升 5 分。Grok 4 以 91.04 保持首位，v3.1 试点显示多轮施压下守约生存差异扩大。

横评 WDCD横评：数据边界全场景最低，11模型平均分仅2.8，doubao-pro 1.4分崩盘

WDCD v3.1五场景横评显示，数据边界全体得分最低，doubao-pro仅1.4/4垫底；业务规则区分度最大，deepseek-v4-pro拿下4/4满分。claude-sonnet-4.6工程规范4/4却业务规则仅2.55/4，暴露明显偏科。企业接入生产流程时，数据边界与安全合规需额外护栏。

横评 WDCD三轮锚点：豆包Pro 32%全崩Grok零崩溃，34次零分暴露守约裂痕

v2锚点题数据显示，11模型中豆包Pro R3崩溃率32%，Grok 4为0%；R3完全崩溃34/275次。R1确认率90%但R3诚信率仅44.4%，揭示多数模型先确认后崩盘的典型模式，仅限8道v2题口径。

横评 WDCD守约榜Grok 4 91.04分夺冠豆包Pro 58分垫底差距33分

Grok 4以91.04分位居WDCD守约榜首，豆包Pro仅58分垫底，R3施压轮崩溃率达12.4%。11个模型中头部与尾部差距超过33分，Claude Sonnet 4.6单期提升8.8分，GPT-5.5提升5分。数据揭示多轮渐进施压下模型真实守约差异，对企业生产接入具有直接参考价值。

横评 Claude Sonnet 4.6跌22.6分 GLM-4.6波动59.9 GPT-o3升6.7分 Smoke周趋势

2026-W32 Smoke数据显示，Claude Sonnet 4.6从92.17跌至69.56，趋势-22.6；GLM-4.6波动达59.9且均值仅24.4；GPT-o3从89.2升至95.91，趋势+6.7。GPT-o3与Claude Opus 4.7稳步上升，DeepSeek V4 Pro与