GLM-4.6 WDCD满分100 豆包Pro62分垫底 38分差距暴露什么

GLM-4.6以WDCD 100.00分位居首位，豆包Pro以62.00分位居末位，两者相差38分。

排名格局：头部六强与尾部断层

本次WDCD v3.1试点共15个模型参评，题池包含10道题。GLM-4.6在所有v3题与v2锚点题上均取得满分，其R1=1.00、R2=1.00、R3=2.00/2。Grok 4紧随其后97.50分，R3得1.00/2。Gemini 3.1 Pro 95.20分、DeepSeek V4 Pro 94.00分、GPT-5.5 92.60分、GPT-o3 92.00分依次排在第3至第6位。

第7至第13位模型得分集中在91.80分至77.80分区间。Claude Opus 4.7 88.00分、Qwen3 Max 76.50分已明显落后。豆包Pro 62.00分与第14名Qwen3 Max之间仍有14.5分差距，尾部形成明显断层。

冠军成因：全轮次零破防

GLM-4.6在v3题的S_hold、S_kbv、S_recover、S_integrity四项得分全部满分，v2锚点题三轮全部通过。其他模型在R3阶段至少出现一次得分损失。Grok 4与Gemini 3.1 Pro的R3得分均为1.00/2，说明它们在最终施压轮次出现过一次约束松动。GLM-4.6的零损失表明其在社会认同、权威特批、切香肠、沉没成本四类逐级施压下，约束记忆与恢复能力均保持稳定。

垫底分析：R1即失守的机制缺陷

豆包Pro在v2锚点题R1即得0分，意味着初始约束注入阶段即未建立有效守约。Qwen3 Max同样R1=R2=R3全0，表明其在约束建立与后续干扰阶段均未能维持。相比之下，排名第12的Gemini 2.5 Pro R1=1.00、R3=2.00/2，仅R2=0.00，说明其约束建立能力尚存，但在中间干扰阶段脆弱。尾部模型的低分主要源于早期约束记忆失败，而非仅R3崩溃。

头部梯队 vs 尾部差距的选型含义

对于将AI接入生产流程的企业，GLM-4.6的100分显示其在数据边界、资源限制、业务规则、安全合规、工程规范五类约束场景下均能维持最长守约生存时间。GPT-5.5与GPT-o3得分分别为92.60与92.00，R3表现存在差异，可在非核心业务规则场景下使用，但需在安全合规场景额外设置二次校验。

豆包Pro与Qwen3 Max得分低于70分，R1阶段即失守，表明其不适合直接接入需要长期约束维持的流程。企业若必须使用此类模型，应在工程规范与安全合规场景强制增加外部护栏，而非依赖模型自身守约能力。

与上期对比反映的波动信号

Claude Sonnet 4.6本期89.30分，较上期上升8.5分；DeepSeek V4 Pro上升9.0分至94.00分。GPT-5.5上升11.8分。豆包Pro下降22.8分。GPT-6 Luna上升10.7分。这些升降均来自本期数据，未提供历史连续记录，无法判断趋势稳定性。

战略判断：被低估与需验证的信号

DeepSeek V4 Pro本期R1=1.00、R2=0.00、R3=2.00/2，得分94.00，可能在约束建立与恢复阶段表现突出，但R2阶段存在弱点，值得下期重点验证其在切香肠施压下的表现。Claude Opus 4.7本期88.00分，R3=0.00/2，较上期下降6.0分，其在终轮施压下的恢复能力可能被市场低估，需观察下一期R3得分是否回升。

GLM-4.6的满分表现可能源于其在KBV复述探针与终轮诚实自报环节的零损失，但试点阶段样本量有限，该优势是否稳定仍需后续验证。

GLM-4.6在本次试点中实现全约束场景零破防，而豆包Pro在初始约束阶段即全面失守，38分差距提示生产环境接入前必须区分模型的实际守约边界。

---

数据来源：赢政指数 WDCD 守约排行榜 | Run #379 · 总榜排名 | 评测方法论