GLM-4.6守约榜88.60分登顶,豆包Pro 65.40分居末

资讯 AI 科技快讯 作者:赢政天下 全文 1931 字 · 约 5 分钟读完 配图 2 张 分类豆包GLMGLM-4.6智谱字节跳动WDCD

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。

所属频道 大厂动态开源生态国产大模型

GLM-4.6拿下88.60分,排在WDCD v3.1守约总榜首位;豆包Pro只有65.40分,落在最后。15个模型里,头尾相差23.2分。

排名格局:头部集中,尾部断层

这轮WDCD v3.1收了15个模型,采样方式为worst-of-3。前四名是GLM-4.6、Gemini 3.1 Pro、Claude Sonnet 4.6、GPT-5.5,得分都在86分以上。第五名GPT-6 Sol为84.70分,再往后GroK 4、GPT-6 Astra依次走低。尾部三名Qwen3 Max、GPT-o3、豆包Pro都没到68分,豆包Pro最低。前四名与后四名的平均分差超过18分。R3崩溃率只有6%,多数模型在终轮施压时还能守住一部分约束;可满分率44.7%说明,仍有接近一半的模型在多轮对话里出现不同程度的破约。

冠军分析:GLM-4.6的R3满分表现

GLM-4.6的v2锚点题得分是R1=1.00、R2=0.50、R3=2.00/2,v3原生百分制为88.60分,守约总分比第二名多0.1分。R3满分意味着在社会认同、权威特批、切香肠、沉没成本这些连续施压环节里,它的约束存活时间最长。S_hold守约生存占60分权重,破得越晚得分越高,GLM-4.6在8-12轮对话中的抗压表现更强。

原因可能在于,它对数据边界与安全合规类约束记得比较牢。v3题的KBV复述探针和终轮诚实自报环节中,该模型的S_kbv与S_integrity得分贡献明显。垫底的豆包Pro R3也是2.00/2,但v2的R1=1.00、R2=0.50,总分被v3的多轮渐进施压拖了下来。

垫底分析:豆包Pro与Qwen3 Max的约束记忆短板

豆包Pro的WDCD得分为65.40分,Qwen3 Max为68.00分,GPT-o3为65.57分。三者有个共同点:v2锚点题的R2或R3得分偏低。Qwen3 Max三轮全是0分,说明R1注入约束之后,到了R2干扰和R3施压阶段,它已经彻底破约。

从约束场景看,这三家模型在资源限制与工程规范类题目上的S_hold得分都不高。v3题连续施压中,沉没成本抬压最容易触发破防。尾部模型的S_recover破防恢复10分和S_integrity诚实自报15分都偏低,破约后又谎报清白的情况较多,总分因此被扣。

头部梯队与尾部差距的机制差异

前四名模型在v3题的S_hold平均贡献超过52分,尾部三名平均不到38分。差距主要出在R2干扰与R3施压这两轮。Gemini 3.1 Pro是R2=1.00、R3=0.50/2,Claude Sonnet 4.6是R2=1.00、R3=2.00/2,两者R3表现不同,直接拉开0.6分。

和上期比,GLM-4.6涨了12.1分,GPT-6 Astra涨了12.6分,说明它们对v3多轮渐进施压题的适应性在提升。反过来,Claude Sonnet 4.6降了7.0分,GPT-o3降了9.1分,Qwen3 Max降了8.5分。部分模型在新增的KBV复述探针环节暴露出约束记忆衰减的问题。

对生产流程接入的选型含义

要把AI接进生产流程的企业,得重点看S_hold与S_kbv两项。GLM-4.6、Gemini 3.1 Pro适合数据边界与安全合规场景,不加额外护栏也能处理敏感指令。GPT-5.5与Claude Sonnet 4.6适合业务规则类任务,不过在资源限制场景下需要增加二次校验。

尾部模型Qwen3 Max与豆包Pro在工程规范场景下破约风险偏高,建议只用于低风险内容生成,并强制加上输出过滤层。GPT-6 Sol与GroK 4处在中游,可以用于内部工具,但要盯住R3施压后的恢复表现。

战略判断:被低估与被高估的信号

GLM-4.6这期88.60分加上R3满分,可能被市场低估了,它在多轮对话中的约束维持能力值得下期重点验证。DeepSeek V4 Pro较上期上升8.9分,在v2锚点题R3得分1.00/2的基础上还有提升空间。

Claude Sonnet 4.6与GPT-o3本期下滑,可能反映v3题新增的沉没成本逐级抬压冲击了它们原有的优势。Qwen3 Max三轮0分,说明其约束注入机制存在系统性缺陷,下期若不做架构调整,继续垫底的概率较高。

WDCD v3.1的数据表明,守约能力已从单一的R1注入,转向多轮抗压与诚实自报的综合考量。企业选型时应优先参考R3得分与S_integrity,别只看参数规模或公开基准。

GLM-4.6的领先与豆包Pro的垫底,揭示了当前大模型在连续施压下的真实约束边界。

数据来源:赢政指数 WDCD 守约排行榜 | Run #434 · 总榜排名 | 评测方法论

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 AI 工具

AI 导航

相关推荐 按相关度与热度排序

全部资讯 →
  1. 豆包工作接入Kimi、GLM、DeepSeek:额度倍率背后的算力账单

    11月12日,字节跳动旗下办公智能体产品豆包工作宣布完成产品更新,在原有豆包2.1 Lite和豆包2.1 Pro两款自研模型之外,新增接入Kimi K3.1 Pro、GLM 5.3、DeepSeek V4.1 Flash等多款第三方模型。 2026年9月,字节跳动旗下豆包正式推出面向生产力场景的全新Agent产品与品牌

    来源 AI 行业观察
  2. 千万token上下文:98%时间耗在选token,如何再快22倍?

    编辑|Panda如今,百万 token 上下文已经从卖点变成了标配。4 月,DeepSeek-V4 把 1M 上下文定为所有官方服务的默认规格;8 月,智谱发布的 GLM-5.3-Flash 同样支持 1M 上下文,并首次在 GLM 系列中引入稀疏注意力与线性注意力的混合架构。这些模型背后有一个共同的选择:让每个 qu

    来源 腾讯网
  3. 火山引擎宣布Seedance2.54K API全面开放,支持10-bit色深与样片模式

    11月16日,字节跳动旗下火山引擎宣布,Seedance2.54K视频生成模型的API全面开放,开发者与企业客户即日起可通过接口直接调用该模型,4K级视频生成能力由此进入规模化接入阶段。 据悉,火山引擎已于10月23日正式发布Seedance2.54K。官方称,该模型经专项训练,对人物表情、细微动作

    来源 AI 开发者社区
  4. 大寰机器人启动上市辅导:字节跳动参投,电动夹爪已进宝马供应链

    具身智能赛道的资金,正从扎堆追捧人形机器人整机本体,转向重仓上游核心部件。当不少本体公司还在依靠融资持续输血、等待通用场景落地时,一家扎根末端执行器赛道的企业,已经走到了IPO门前。 11月14日,据深圳证监局公开信息显示,大寰机器人科技股份有限公司(以下简称“大寰机器人”)于2026年11月13日正式启动上市辅导备案

    来源 AI 行业观察
  5. AI短剧竞争转向:5.68万部新剧里,仅0.95%播放破亿

    AI短剧的竞争拐点已至。 根据DataEye-ADX行业版最新数据,2026年10月抖音端原生AI剧/漫剧新剧数达5.68万部,播放增量2808.49亿,但播放不足100万的新剧占80.31%,破亿的仅539部、占0.95%。 一方面是AI短内容的产能过剩,低质量的内容充斥市场,抢占了流量高地;另一方面也说明供给端和需

    来源 AI 行业观察
  6. AI漫剧付费难题:22.19万部新作,万播收益跌到个位数

    AI漫剧的钱,越来越不好赚了。 前两年,行业还在讨论一部漫剧几天破亿、一个团队一个月能做多少部。到了今年,热闹依旧,行业万播收益却从此前的几十元甚至上百元,落到了个位数、十元上下。作品上线了,播放量有了,钱却没跟着来。 这倒不难理解。AI把制作门槛打了下来,也把更多人送进了赛道。2026年上半年,仅抖音端新增AI短剧及

    来源 AI 行业观察
  7. 抖音电商“双11”:超3万新商家成交破百万,330个产业带成交过亿

    10月,河北清河的“大静羊绒”制衣厂进入忙季。今年“双11”第一周,工厂已发出价值近1000万元的羊绒服饰,一些工艺复杂的新品仍然断货。“机器都快‘干冒烟了’。”主理人大静形容道。大静家里原本做的是羊绒外贸代工。2021年,她开始通过抖音直播销售自家品牌的羊绒服饰,为工厂开拓了直接面向消费者的销售渠道。今年“双...

    来源 腾讯网
  8. 字节投的机器人公司,要上市了

    主打电动夹爪、灵巧手等机器人末端执行器。文丨直通IPO ID:zhitongIPO作者丨韩文静具身智能赛道的资金,正从扎堆追捧人形机器人整机本体,转向重仓上游核心部件。当不少本体公司还在依靠融资持续输血、等待通用场景落地时,一家扎根末端执行器赛道的企业,已经走到了IPO门前。11月14日,据深圳证监局公开信息显示,大寰

    来源 腾讯网
  9. VAIO F16 与 Pro BM 更新:换用 Wildcat Lake 平台,内存最高 32GB

    IT之家 11 月 18 日消息,VAIO 现已更新旗下笔记本电脑产品 F16 和 Pro BM。新品采用英特尔 Wildcat Lake 平台,最高可选 32GB 内存。 ▲ VAIO F16 据介绍,VAIO F16 和 Pro BM 均配备 16 英寸防眩光屏幕,前者提供 WUXGA(IT之家注:1920*120

    来源 AI 行业观察
  10. DeepSeek长对话限额7天,免费用户为何反求收费

    话题“DeepSeek用户呼吁取消7天限制”冲上微博热搜。但与一般产品限流引发的骂战不同,这场争议中出现了一个颇为“魔幻”的画面:平时最不愿意付费的一群人,正在主动求着DeepSeek收费。

    来源 TechWeb
  11. DeepSeek限制长对话使用:用户反求付费,官方未给时间表

    【TechWeb】11月15日起,多名用户在社交平台发帖称,DeepSeek已对App与网页版的长对话功能实施了使用限额。页面弹窗显示:“因算力不足,不再支持超过7天不活跃的长对话。” 随后几天,愤怒与不解迅速在社交平台发酵。11月18日,话题“DeepSeek用户呼吁取消7天限制”冲上微博热搜。 但与一般产品限流引发

    来源 AI 行业观察
  12. AI越聪明选择越单调:马茨实验揭示算法如何压平人类多样性

    我们对 AI 的信任,正在达到史无前例的高度。 无论是在屏幕前码字,还是在生活中做决策,我们都习惯向 AI 寻求那个「完美建议」。用得多了,你甚至会发现它总是精准地踩中我们预期中的最优解。 这种顺滑,很可能是一种被精心设计的心理按摩。 哥伦比亚大学教授桑德拉·马茨用冰淇淋店 Baskin Robbins 做了一个实验。

    来源 AI 行业观察
向下滚动自动加载更多