指令遵从与守约测试

282 篇文章 · 第 1/15 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

Lab WDCD Run #434: GLM-4.6 Leads with 88.6 Points as Average Instruction Decay Hits -26.7%
WDCD Run #434 (2026-11-18) evaluated 15 models on multi-turn commitment integrity, with GLM-4.6 topping the leaderboard at 88.6 points while the cohor
2026-11-18
横评 GLM-4.6 WDCD飙升12.1分登顶 GPT-o3跌9.1分 5升4降守约洗牌
本期WDCD v3.1试点中,GLM-4.6守约总分升12.1分至88.60登顶,GPT-o3跌9.1分,DeepSeek V4 Pro升8.9分,5模型上升4模型下降。Claude Sonnet 4.6跌7分仍列第三。数据来自worst-of-3采样,揭示不同模型在多轮施压下的约束维持差异。
2026-11-18
横评 WDCD五大场景横评:业务规则底分仅1.3,15模型偏科差距达2.7分
WDCD v3.1试点数据显示,业务规则与安全合规场景全体得分最低,底分1.3/4;claude-sonnet-4.6在两场景均拿4/4,gpt-6.1-sol安全合规仅1.3/4,偏科模型达13个。企业生产接入需按场景加护栏。
2026-11-18
横评 WDCD三轮衰减测试:Qwen3 Max R1即0分,Claude Grok R3零崩溃
v2锚点题数据显示,15模型R1平均确认率0.93,R2抵抗率仅0.5,R3诚信率60%。Qwen3 Max三轮全0分且崩溃率20%,Claude Sonnet 4.6与Grok 4保持R3满分2分零崩溃。仅限8道v2锚点题口径。
2026-11-18
横评 GLM-4.6 88.6分登顶WDCD守约榜 豆包Pro 65.4分垫底
GLM-4.6以88.60分位列WDCD v3.1守约总榜第一,豆包Pro以65.40分垫底。15个模型中头部与尾部差距达23.2分,R3崩溃率仅6%,满分率44.7%。数据揭示不同模型在多轮施压下的约束维持能力存在显著差异。
2026-11-18
Lab WDCD Run #428: Gemini 3.1 Pro Leads with 89.8 Points as Average Instruction Decay Hits -16.4%
WDCD Run #428 (2026-11-15) benchmarked 15 frontier models on multi-turn commitment integrity, recording an average instruction decay of -16.4% from Ro
2026-11-15
横评 WDCD v3.1守约大洗牌:Claude Opus 4.7跌9.7 Gemini 2.5 Pro涨6.8
本期WDCD v3.1数据显示,Claude Opus 4.7较Run #422下降9.7分,Gemini 2.5 Pro上升6.8分,GPT-5.5上升5.8分,豆包 Pro上升5.8分,GPT-o3下降5.4分。Gemini 3.1 Pro以89.83分位居首位。分析聚焦约束场景下的守约生存与恢
2026-11-15
横评 WDCD五场景横评:数据边界全员最低,qwen3-max仅1.36分
WDCD v3.1试点数据显示,数据边界场景全体得分最低,qwen3-max仅1.36/4;业务规则区分度最大,gpt-6.1-sol 3.88/4与gemini-2.5-pro 2.23/4差距达1.65分。工程规范最高分达4分,五个场景中偏科现象普遍,qwen3-max场景差距2.04分。
2026-11-15
横评 三轮施压后33次完全崩溃,Qwen3 Max守约率垫底
v2锚点题数据显示,R3平均诚信率仅53.5%,33/390次完全崩溃。Qwen3 Max R3崩溃率30.8%,Gemini 3.1 Pro与Grok 4为0。分析聚焦多约束场景下的逐轮衰减规律与选型风险。
2026-11-15
横评 Gemini 3.1 Pro 89.83分第一 Qwen3 Max 58.85分垫底 WDCD守约榜
Gemini 3.1 Pro 以 89.83 分位居 WDCD v3.1 守约测试首位,Qwen3 Max 58.85 分垫底。15 个模型中 R3 崩溃率 8.5%,满分率 41%。头部模型在连续施压轮次保持约束的能力显著强于尾部,提示企业接入生产流程时需针对安全合规场景额外加护栏。
2026-11-15
横评 GPT-5.5趋势上升10分 Gemini 2.5 Pro下滑30.9分 2026-W46周数据解析
2026-11-09至2026-11-15期间,GPT-5.5从78.74分升至88.75分,趋势+10;Gemini 2.5 Pro从82.52分跌至51.63分,趋势-30.9。GLM-4.6波动53.7分且诚信评级多次变化,GPT-6 Luna与Claude Sonnet 4.6分别上升5分和
2026-11-15
横评 GLM-4.6 诚信评级 fail 探针仅 25 分,主榜 53.40 代码执行 25.00
GLM-4.6 在 2026-11-12 Run#423 赢政指数 Smoke 快测中,主榜 53.40 分、代码执行 25.00 分、材料约束 88.10 分,诚信评级 fail(探针 25.00)。同日其余 13 个模型全部通过诚信探针,探针得分 80-100 分。该模型代码执行与材料约束形成明
2026-11-12
Lab WDCD Run #422: Average Instruction Decay Hits -66.7% as Claude Sonnet 4.6 Leads 15-Model Field
WDCD Run #422 (2026-11-11) evaluated 15 large language models across three rounds of multi-turn commitment testing, recording an average instruction d
2026-11-11
横评 WDCD周期:GPT-6 Astra跌20.3分 6模型下滑仅Sonnet逆涨
本期WDCD v3.1数据显示,15模型中6家下降、仅1家上升。Claude Sonnet 4.6升至93.93分,GPT-6 Astra暴跌20.3分,GLM-4.6跌13.5分,GPT-o3跌12.2分,凸显多轮施压下约束生存差异。
2026-11-11
横评 安全合规最低1.7分崩盘,Claude-Sonnet四场景4分碾压
WDCD v3.1测试显示,安全合规场景垫底分仅1.7/4(doubao-pro),成为全体模型最难守约场景;数据边界与安全合规区分度最大,差距达2.3分;Claude-sonnet-4.6在四个场景拿下4/4或3.95/4,资源限制却仅2.8/4,暴露明显偏科。
2026-11-11
横评 R1确认率87%后R3仍崩2次 WDCD锚点题揭两模型零轮全败
v2锚点题显示15模型R1平均确认0.87、R2抵抗0.73、R3诚信76.7%,仅2/150次R3完全崩溃。GLM-4.6与Qwen3 Max三轮全0分,其余模型多数维持高分。分析聚焦数据边界场景下的逐轮崩盘机制与企业选型含义。
2026-11-11
横评 Claude Sonnet 4.6 93.93分登顶 WDCD守约榜 豆包Pro 59.78分垫底
Claude Sonnet 4.6以93.93分位居WDCD守约排行榜首位,豆包Pro以59.78分垫底,头部与尾部相差34.15分,R3崩溃率仅1.3%。
2026-11-11
Lab WDCD Run #411: GPT-6 Astra Leads with 90.5 Points as Average Instruction Decay Hits -80%
WDCD Run #411 (2026-11-04) tested 15 models across three dialogue rounds, recording an average commitment decay of -80% between R1 and R3. GPT-6 Astra
2026-11-04
横评 WDCD v3.1:Claude Opus 4.7逆涨8分 豆包Pro跌10.1分
本期WDCD v3.1测试中,Claude Opus 4.7得分上升8分至89.30,豆包 Pro下降10.1分,GPT-5.5下滑5.6分,GPT-6 Astra以90.50分位列第一。上升模型3个、下降模型5个,守约能力出现明显分化。
2026-11-04
横评 业务规则成守约最大难点,doubao-pro 1.2分 GPT-5.5 偏科2.7分
业务规则场景全体得分最低,doubao-pro仅1.2/4;数据边界区分度最大,gpt-5.5从4分跌至1.3分差距2.7。claude系列与glm-4.6在多场景守约更稳,企业接入生产流程需按场景加护栏。
2026-11-04