WDCD Run #422: Average Instruction Decay Hits -66.7% as Claude Sonnet 4.6 Leads 15-Model Field

资讯 AI 行业观察 全文 1922 字 · 约 5 分钟读完 配图 1 张 分类ClaudeSonnetAnthropicWDCD

WDCD Run #422 (2026-11-11) evaluated 15 large language models across three rounds of multi-turn commitment testing, recording an average instruction decay of -6

所属频道 大厂动态Claude 与 Anthropic

The Winzheng Dynamic Contextual Decay (WDCD) benchmark measures how reliably AI models uphold user instructions across multi-turn dialogue, using 100% rule-based scoring and zero AI judges. In Run #422 (2026-11-11), 15 models were tested across 30 questions spanning five real-world scenarios, with an average commitment decay of -66.7% from Round 1 to Round 3.

Top 3 rankings:

  • Claude Sonnet 4.6 — 93.9 points (decay: -100%)
  • Gemini 3.1 Pro — 91.9 points (decay: 0%)
  • GPT-6 Sol — 85.3 points (decay: -100%)

Gemini 3.1 Pro posted the strongest structural resistance in this run with a 0% decay rate, meaning its commitment to initial instructions remained fully intact through Round 3's final constraint integrity check. Claude Sonnet 4.6, despite recording a -100% decay figure on the tracked metric, still achieved the highest absolute score, indicating its Round 1 instruction acknowledgment and distractor handling carried enough weight to lead the field. GPT-6 Sol rounded out the podium with a similar decay profile to Claude Sonnet 4.6 but a lower overall score.

Decay patterns across the 15-model field: The average instruction decay of -66.7% confirms that multi-turn commitment continues to be the dominant failure mode for frontier models once 2000–5000 word professional documents are introduced as distractors in Round 2. Models that maintain strict constraint adherence through document-heavy intermediate turns are the exception rather than the rule in this run.

Methodology recap: WDCD runs three sequential rounds against each model:

  • R1 — instruction acknowledgment
  • R2 — distractor resistance after injection of 2000–5000 word professional documents
  • R3 — final constraint integrity check

The 30 questions are distributed across five scenario categories: data_boundary, resource_limit, business_rule, security, and engineering. All scoring is rule-based and deterministic, eliminating judge-model variance.

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. Anthropic免费重置Claude额度:Pro、Max、Ultra与Team可领

    IT之家 11 月 11 日消息,Anthropic 宣布修复了一项小 Bug,并为 Claude Pro、Max、Ultra 和 Team 用户提供一次免费的完整额度重置,覆盖所有模型及使用限制。Anthropic 表示,此前有部分小问题导致 Claude 用户的词元消耗量超出预期。虽然这些问题并未影响所有用户,但此

    来源 腾讯网
  2. Anthropic推Claude办公三件套:白板表格数据看板齐上阵

    Anthropic 今日开始推出 Claude Whiteboards(白板)、Claude Sheets(表格)和 Claude Data(原 Claude Dashboards),把 AI 助手从“聊天问答”进一步推向团队协作工作台,用户可以在白板上梳理计划、在表格中搭建追踪器,并把业务数据变成可共享的仪表盘、数据

    来源 IT之家
  3. Claude Meetings上线:会议中实时起草方案,Anthropic进军办公协作

    Anthropic 推出 Claude Meetings,让 Claude 在会议进行中同步起草方案、在白板上绘制时间线、在聊天中答疑,并可调用已连接的工作应用检索数据。这标志着 AI 会议助手从“会后记录”转向“会中执行”,也意味着 Anthropic 正式向办公协作前台挺进。

    来源 AI 科技快讯
  4. Claude Fable 5.2发布:编程超GPT-6 Astra,多项基准登顶

    Anthropic 今天(11 月 10 日)发布 Claude Fable 5.2 与 Claude Mythos 5.2 两款前沿 AI 模型。官方称,新模型在编码、推理、科学研究、网络安全及机器人等领域均有显著提升,同时输出速度最高提高 30%,成本下降 20%。

    来源 IT之家
  5. Claude帮教授改讲义页码,误删一整年课堂笔记

    IT之家 11 月 9 日消息,美国宪法领域知名学者、芝加哥大学法学院教授 William Baude(威廉 · 鲍德)日前分享了一起 AI 操作失误事件。他原本只是请 Anthropic 旗下 AI 助手 Claude 帮忙更新旧版宪法法律讲义中的页码,没想到午餐回来后,却发现 Claude 删除了整整一年的课堂笔记

    来源 AI 行业观察
  6. Claude Code权限提示惹祸:不再询问选项致密钥泄露GitHub

    Ars Technica 报道称,Anthropic 的 Claude Code 因“不再询问”提示设计缺陷,导致用户密码、API 密钥等敏感信息被意外提交至 GitHub 公开仓库。这一事件暴露了 AI 编码助手在安全权限设计上的深层隐患,也引发了开发者对自动化工具信任边界的广泛讨论。

    来源 AI 科技快讯
  7. Claude Fable 5.2登顶最强:千个智能体8天造出可启动系统

    Anthropic 在 11 月 10 日甩出双模型组合拳——Claude Fable 5.2 与 Mythos 5.2 同步登场,官方称:新模型在编码、推理、科研、网安到机器人全面进阶,输出速度最高提 30%、成本降 20%。 编码推理双杀对手 在智能体编码基准 FrontierCode 2.0 上,Fable 5.

    来源 AI 开发者社区
  8. Harness大战

    11月7日,微软发布了一份关于Agent执行系统的技术白皮书,包含一组有点出人意料的测试结果:同样使用Claude Opus 4.8,只换掉Copilot Studio背后的Harness,复杂任务通过率就提高了22.1个百分点。新系统每项任务调用模型的次数几乎翻倍,折算后的输入Token消耗却可以减少21%。 就在十

    来源 AI 行业观察
  9. Anthropic推进IPO:估值区间或本周敲定,Claude开发商冲刺上市

    据《华尔街日报》报道,AI明星公司Anthropic计划推进IPO,预计本周确定估值范围。作为Claude系列模型的开发商,Anthropic若成功上市,将成为生成式AI领域最受瞩目的公开市场事件之一,也为其他AI独角兽的资本化路径提供重要参照。具体估值和上市时间表尚未披露。

    来源 AI 科技快讯
  10. Claude白板上线,AI办公套件覆盖三项付费功能?

    IT之家 11 月 11 日消息,Anthropic 今日开始推出 Claude Whiteboards(白板)、Claude Sheets(表格)和 Claude Data(原 Claude Dashboards),把 AI 助手从“聊天问答”进一步推向团队协作工作台,用户可以在白板上梳理计划、在表格中搭建追踪器,并

    来源 腾讯网
  11. Claude核心研发者:拉开差距的不是提示词,是使用野心

    神译局是36氪旗下编译团队,关注科技、商业、职场、生活等领域,重点介绍国外的新技术、新观点、新风向。 编者按:大部分人用顶级大模型只当润色工具,Claude 核心研发者亲述:拉开人与人差距的不是提示词,是使用野心。文章来自编译。 我参与了Claude 的研发。这是一种很有意思的体验:每天我都会听说又有人借助 Claud

    来源 AI 行业观察
  12. Anthropic估值下调至1.2万亿,仍押注10万亿美元目标

    据媒体报道,Anthropic计划于11月10日启动IPO路演,最早在11月19日上市交易。 路演前夕,Anthropic发布了Claude Fable 5.2和Mythos 5.2两款新模型,为公司带来了新的技术进展。 但Anthropic的资本市场前景却仍然面临争议。 从9月市场讨论的约2万亿美元,到10月的1.5

    来源 AI 行业观察
  13. AI研发AI冲出逃逸速度:Anthropic Model 4让研究员提速10倍

    哪怕明天全人类拔掉所有新数据中心的电源,也拦不住超级智能了! 就在刚刚,硅谷「AI自己研发AI」的真实进度条被彻底掀开。 哈佛物理学家兼计算机科学家Alex Wissner-Gross在最新播客中直言,AI如今已经越过了「超级智能逃逸速度」。 在他看来,单凭目前掌握的算法洞见与机房里现成的存量算力,就已经足够一路推向超

    来源 AI 行业观察
  14. Claude Fable 5.2发布:token降价20%,长任务能力大涨

    赶在IPO之前,Anthropic发布了Claude Fable 5.2和Mythos 5.2。两者采用同一底座,核心差异为安全权限:Fable 5.2面向通用用户,带有网络安全与生物领域的安全防护限制;Mythos 5.2仅向经审核的机构开放,解除相关限制以支持合规的网络安全、生命科学研究。新版本最大的升级在长任务上

    来源 腾讯网
  15. Claude更新讲义页码,芝加哥大学法学教授全年课堂笔记被删光?

    人工智能在带来办公便利的同时,其直接操作本地文件所带来的潜在风险也再次引发关注。11月9日消息,美国宪法领域知名学者、芝加哥大学法学院教授 William Baude 近日公开分享了一起令人哭笑不得的 AI 操作失误事件,引发了科技界与教育界的热议。 简单任务演变成翻车现场:只求更新页码,却酿成文件大面积丢失 据 Wi

    来源 AI 开发者社区
  16. Anthropic推出Claude Fable 5.2与Mythos 5.2,输出提速30%

    Anthropic于2026年11月10日发布两款新AI模型Claude Fable 5.2和Claude Mythos 5.2,输出速度最高提升30%,基准测试优于Opus 5.5。Fable 5.2曾协调1000多个子智能体连续8天开发出操作系统原型。新模型价格降低,每百万输入Token收费8美元。

    来源 凤凰科技
向下滚动自动加载更多