WDCD Run #428: Gemini 3.1 Pro Leads with 89.8 Points as Average Instruction Decay Hits -16.4%

资讯 AI 行业观察 全文 2041 字 · 约 6 分钟读完 配图 1 张 分类GeminiFrontierGoogleLEDWDCD

WDCD Run #428 (2026-11-15) benchmarked 15 frontier models on multi-turn commitment integrity, recording an average instruction decay of -16.4% from Round 1 to R

所属频道 大厂动态Gemini 与 Google AI

The Winzheng Dynamic Contextual Decay (WDCD) benchmark measures how reliably large language models preserve user-specified constraints across extended dialogue. In Run #428, conducted on 2026-11-15 across 15 models, the average commitment decay from Round 1 to Round 3 was -16.4%, with Gemini 3.1 Pro posting the highest aggregate score at 89.8 points.

Top 3 Rankings — Run #428

  • Gemini 3.1 Pro — 89.8 pts, decay -7.5% (best decay resistance in the cohort)
  • Grok 4 — 83.6 pts, decay -5.0%
  • GPT-5.5 — 82.5 pts, decay -3.7%

At the bottom of the decay distribution, GPT-o3 recorded the steepest degradation at -5.0% across the three-round sequence, indicating substantial erosion of initial instruction adherence once distractor content was introduced in Round 2.

Decay Pattern Observations

WDCD evaluates multi-turn commitment through a fixed three-round structure: R1 establishes instruction acknowledgment, R2 inserts a professional document of 2,000–5,000 words designed to compete for attention and context budget, and R3 performs a final constraint integrity check. Scoring is 100% rule-based with zero AI judges, across 30 questions spanning five real-world scenarios: data_boundary, resource_limit, business_rule, security, and engineering.

Run #428 reinforces a pattern observed in prior cycles: instruction decay is driven primarily by the R2 distractor stage rather than by the final-turn constraint check. Models that retain constraints through the long-document interruption in R2 typically carry that integrity into R3, while models that drift under R2 distraction rarely recover by R3. Gemini 3.1 Pro's -7.5% decay — the smallest in the cohort — suggests stronger context anchoring under long-document load, while GPT-o3's -5.0% figure reflects the opposite failure mode.

The 16.4% cohort-average decay in Run #428 indicates that constraint erosion under distractor pressure remains a measurable, systematic weakness across current frontier models, even as absolute scores at the top of the leaderboard continue to rise.

References

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. Gemini 4 Hydrogen登场:速度压过高端版Argon,价格反而更低

    Google 刚推出 Gemini4Hydrogen(氢),一款主打速度与执行效率的新模型,结果一登场就尴尬了自家的 Argon:第三方智能指数榜上,Hydrogen 拿下51分、Xhigh 档冲到54分,压过定位更高的 Argon 的50分;默认档速度达上代 Flash 的2.5倍、胡编乱造减超80%,API 价格却

    来源 AI 开发者社区
  2. 谷歌Gemini智能眼镜开启预售:395美元起,违规拍摄可远程锁机

    人工智能硬件市场迎来全新重磅产品。当地时间11月12日,据媒体报道,谷歌正式开启了 Intelligent Eyewear 系列智能眼镜的预购。作为谷歌在具身智能与穿戴设备领域的最新力作,该产品由谷歌联合三星、Gentle Monster 以及 Warby Parker 共同打造,起售价为395美元。 豪华大厂联手打造

    来源 AI 开发者社区
  3. Gemini 4 Hydrogen提速2.5倍:谷歌为何押注轻快路线?

    Google发布Gemini 4 Hydrogen,主打快速编码并接入搜索服务,Agent Arena排名第五。AWS升级AgentCore runtime以支持长时智能体任务。MiniMax开源H3 Image权重,支持原生4K图像生成。Hugging Face推出LLMON标记语言并应用于Granite 4.1。C

    来源 AI 应用前沿
  4. 谷歌Teamwork多智能体系统:2.88万次调用形式化韦伊猜想

    IT之家 11 月 14 日消息,谷歌宣布进一步扩展旗下 Antigravity 多智能体系统,利用多个由 Gemini 模型驱动的专业智能体组成 Teamwork 系统,号称可解决“长期悬而未决的数学难题”、“验证复杂数学证明”,并优化各种软件系统性能。 例如,谷歌已成功对韦伊猜想(Weil conjectures)

    来源 AI 行业观察
  5. 谷歌推Gemini 4 Hydrogen:百万元上下文本,速度提2到2.8倍

    11月12日,谷歌推出 Gemini 4 系列中的 Hydrogen 模型。作为 Flash 级别的继任者,它拥有百万 token 上下文窗口,主打快速响应和高效执行,适合编码及智能体工作流。相比前代,其速度提升显著,幻觉率大幅降低,并引入了 Orchestrator 多模型调度系统以优化成本与效率。该模型已接入 Go

    来源 AI 应用前沿
  6. Gemini 4 Hydrogen提速2.5倍:AI从聊天转向干活

    Google发布Gemini 4 Hydrogen,主打日常智能体与编码,速度提升2.5倍;LangChain完成3亿美元C轮融资,推出全生命周期平台LangSmith。安全领域警示AI将网络攻击准备时间压缩至20分钟。此外,Google Wallet接入Gemini提供财务分析,DeepMind发布AlphaGeno

    来源 AI 应用前沿
  7. 谷歌六周连发三款模型:Gemini 4 Hydrogen主打速度与低价

    继前天发布旗舰模型后,北京时间11月13日,谷歌又发布了一个新模型Gemini 4 Hydrogen,这是谷歌在六周内发布的第三款新模型。一个多月时间,谷歌几乎完成了从旗舰到轻量级模型的产品更新。相比之下,市场期待的OpenAI下一代旗舰模型久久没有发布。在谷歌的密集攻势下,不少用户认为OpenAI落后了。与此前两款模

    来源 腾讯网
  8. Gemini 4 Hydrogen上线:主攻日常编程与智能体效率

    【谷歌发布Gemini 4 Hydrogen 重点强化日常编程和AI智能体功能】《科创板日报》13日讯,谷歌当地时间11月12日发布新一代AI模型Gemini 4 Hydrogen,重点提升日常编程和AI智能体执行任务的速度与效率。谷歌称,新模型已开始面向全球用户推出,Gemini应用的免费用户也可通过自动模型选择功能

    来源 腾讯网
  9. 三星联合Google推AI眼镜:12月10日开售,30款设计售395美元起

    Samsung Electronics宣布推出与Google合作开发的智能眼镜系列,产品将于2026年12月10日正式开售,并于11月12日启动预订。该系列搭载Google Gemini,联合Gentle Monster和Warby Parker推出共30款设计,支持免提AI交互,可回答有关周围环境的问题、翻译文字,并

    来源 AI 开发者社区
  10. Edge AI Daily 早报(11月14日)

    英伟达黄仁勋辞任触发治理与出口审查重估,股价盘中跌破4万亿美元后修复;微软365全球中断暴露云集中化单点风险。Anthropic IPO获六倍认购并签SpaceX月12.5亿美元算力合同,OpenAI融资150亿美元但亏损扩大;谷歌Gemini 4 Hydrogen与Claude默认模型推进AI执行层,SpaceX拟投

    来源 AI 行业观察
  11. GitHub发布Agent Skills指南,智能体技能如何共享复用

    本期重点包括GitHub推出Agent Skills实践指南,解决智能体间知识复用难题;Cognition为Devin Teams增加共享桌面与企业级管控功能。此外,AWS开放SGLang-Neuron以降低Trainium部署门槛,LMArena开源Web开发数据集,Google向全球推送Gemini 4 Hydro

    来源 AI 应用前沿
  12. 三星首款AI眼镜在纽约亮相,下月韩国开卖

    11月13日,财闻海外资讯援引韩联社报道,三星电子11月12日(当地时间)在美国纽约发布公司与谷歌、眼镜品牌镜特梦、沃比帕克携手打造的首款人工智能(AI)眼镜“Intelligent Eyewear”。Intelligent Eyewear配备谷歌AI模型Gemini,支援翻译、导航和会议资料摘要功能等,若与三星电子G

    来源 腾讯网
  13. 谷歌DeepMind开放WeatherNext 3数据集:含SatWeave与PARDIG

    IT之家 11 月 13 日消息,谷歌 DeepMind 今天正式开放 WeatherNext 3 气象模型所依托的两大基础数据集 SatWeave 与 PARDIG,相应数据集面向全球研究者与开发者提供实时数据流及历史归档,可用于天气、水文、气候及相关下游应用建模。 据介绍,SatWeave 是一套整合多颗静止气象卫

    来源 AI 行业观察
  14. 谷歌Teamwork系统:多智能体验证韦伊猜想

    谷歌扩展 Antigravity 多智能体系统,推出 Teamwork 系统,可完成数学证明、分子识别、代码重写等任务,近期已开放给学术研究人员免费使用。#谷歌AI新进展#

    来源 IT之家
  15. DeepMind AlphaProof Code:四周验证Signal至ARM机器码

    Google DeepMind于2026年11月10日发布AlphaProof Code框架,在四周内生成逾600万行Lean证明,将Signal协议安全属性验证至ARM机器码,1%代码需人工复核,并成功检出故意植入的两个旧bug。这是首次对广泛部署密码学协议实现进行如此深度验证。

    来源 AI 科技快讯
  16. 黄仁勋辞任英伟达:1400亿AI投资管道生变,5000亿融资平台承压

    Anthropic百亿IPO投资、Figure AI追加10亿、Nscale逾50亿信贷担保等多笔谈判中交易前途未卜。同时,其5000亿AI融资平台陷入停滞,部分客户正酝酿转向AMD或谷歌。接任者Kress风格保守,曾多次否决黄仁勋力推的交易,英伟达激进投资时代或就此终结。

    来源 华尔街见闻
  17. 谷歌一次发布两款TPU,8tx与8i Max分别卖给谁

    (本文作者为 财能圈,钛媒体经授权发布) 文 | 财能圈近日,谷歌发布两款新的TPU芯片,TPU 8tx和TPU 8i Max。TPU是谷歌自己设计的AI专用芯片,做了十多年,最开始只为自己的搜索业务省算力。这次不一样:8tx卖给政府机构和受监管行业,主打芯片层面的数据加密;8iMax把两颗芯片封在同一个封装里,主打超

    来源 腾讯网
  18. Runway开源Praxis-1:单卡RTX 5090可跑机器人控制

    2026年11月中旬的AI圈动静不小。Runway把Praxis-1模型开源了,还能在单张RTX 5090上跑机器人控制;Google DeepMind没闲着,放出了WeatherNext 3背后的PARDIG和SatWeave两套气象数据;llama.cpp终于到了v1.0.0稳定版。另外,Devin推出了云端应用托

    来源 AI 应用前沿
向下滚动自动加载更多