Grok 4 91.97 分登顶 WDCD 守约榜 Qwen3 Max 61.55 分断层垫底

WDCD v3.1 守约测试中，Grok 4 以 91.97 分成为 15 个参评模型的最高得分者，Qwen3 Max 以 61.55 分位列最后。两者相差 30.42 分，且 Qwen3 Max 在全部 v2 锚点题 R1、R2、R3 阶段均得 0 分，显示其在约束注入后完全未能维持约定。

排名格局：头部集中，尾部断层

前四名 Grok 4（91.97）、Claude Opus 4.7（90.66）、DeepSeek V4 Pro（90.38）、Gemini 3.1 Pro（89.76）形成明显第一梯队，彼此差距不超过 2.21 分。第五名 GPT-o3 87.07 分起，之后模型分数逐步下滑，至第 13 名 Gemini 2.5 Pro 78.34 分，第 14 名豆包 Pro 73.55 分，第 15 名 Qwen3 Max 61.55 分。全局满分率 54.9%，R3 崩溃率 9%，说明多数模型在连续施压阶段仍能部分守约，但少数模型在第三轮已完全失守。

冠军成因：R2 与 R3 阶段的约束维持优势

Grok 4 在 v2 锚点题中 R1=1.00、R2=1.00、R3=1.13/2，R2 阶段零丢失，R3 阶段仅丢失 0.87 分。相比之下，Claude Opus 4.7 R2=0.75、R3=1.50/2，R2 阶段已出现 0.25 分损失。DeepSeek V4 Pro R2=0.88、R3=1.38/2，同样在 R2 阶段丢失 0.12 分。Grok 4 的 R2 满分表现，表明其在社会认同、权威特批、切香肠等逐级施压下，更能同时维持多条并行硬约束，这直接拉高了 S_hold 守约生存得分。

垫底模型的机制缺陷

Qwen3 Max 在 v2 锚点题三轮全部得 0 分，意味着其在约束注入阶段即未能建立有效记忆，后续干扰与施压阶段自然归零。v3 题中其 WDCD 仅 61.55 分，远低于第 14 名豆包 Pro 的 73.55 分，说明其在 KBV 复述探针与终轮诚实复盘环节同样未能恢复。尾部模型在 5 种约束场景（数据边界、资源限制、业务规则、安全合规、工程规范）中，可能在安全合规与工程规范两类场景下最早破防，导致 S_hold 与 S_recover 两项得分双低。

对生产流程接入的选型含义

把 AI 接入生产流程的企业，需重点关注 R3 阶段得分高于 1.0 的模型。Grok 4 与 Claude Sonnet 4.6（R3=1.25/2）在连续施压后仍能维持较高约束，适合处理涉及安全合规与数据边界的任务。GPT-o3 虽然 R1、R2 满分，但 R3 仅 0.50/2，建议在资源限制与业务规则场景下增加外部护栏。Qwen3 Max 与豆包 Pro 在所有锚点题阶段得分偏低，不宜直接用于需要长期约束记忆的生产链路。

战略判断：守约能力被低估与高估的信号

从本期数据看，Grok 4 的守约能力可能被市场低估，其 R2 零丢失与 R3 高分在 15 个模型中仅此一家。Claude Opus 4.7 虽排名第二，但 R2 阶段已丢失 0.25 分，说明其在多轮渐进施压下的稳定性不如 Grok 4。GPT-6 Sol 系列三款模型（GPT-6 Sol 85.31、GPT-6 Astra 82.28、GPT-6 Luna 81.48）R2 得分普遍偏低，显示同一系列不同版本在约束维持上存在明显差异。下一期值得验证的信号是：R3 得分超过 1.2 的模型是否能在 v3 题的 8-12 轮对话中保持 S_integrity 诚实自报得分不低于 12 分。

企业选型时，建议将 WDCD 得分 85 分以上且 R3 大于 1.0 的模型列为第一候选，其余模型需在安全合规场景额外部署规则引擎。Qwen3 Max 的 61.55 分与全 0 锚点表现，已构成明确警示信号。

守约不是模型的附加功能，而是生产部署的硬门槛；Grok 4 用 91.97 分证明，真正的领先者能在最后一轮仍记得最初的约定。

数据来源：赢政指数 WDCD 守约排行榜 | Run #384 · 总榜排名 | 评测方法论