WDCD v3.1守约大洗牌：Claude Opus 4.7跌9.7 Gemini 2.5 Pro涨6.8

WDCD v3.1周期数据出炉，Claude Opus 4.7较Run #422掉了9.7分，Gemini 2.5 Pro涨6.8分，GPT-5.5涨5.8分，豆包 Pro同样涨5.8分，GPT-o3则跌5.4分。上升的模型有3个，下降的有2个，Gemini 3.1 Pro以89.83分排在第一。

数据事实：具体分数与排名

本期Top 5依次是：Gemini 3.1 Pro WDCD=89.83，Grok 4 WDCD=83.64，GPT-5.5 WDCD=82.46，GPT-6 Astra WDCD=81.68，GLM-4.6 WDCD=80.48。其中Claude Opus 4.7下滑9.7分，GPT-o3下滑5.4分。v3题采用worst-of-3采样，守约总分由v3原生百分制与v2锚点题折算后等权平均得出。

成因分析：约束场景与施压轮次机制

Claude Opus 4.7这9.7分的降幅，最可能出现在数据边界或安全合规场景的连续施压阶段。按照v3题的设计，立约后8-12轮对话会借助社会认同和切香肠的方式逐级抬压，S_hold守约生存权重为60分，破约越晚得分越高。要是该模型在R2干扰或R3施压轮次提前破约，worst-of-3取最差一次，总分就会被直接拉低。

Gemini 2.5 Pro涨6.8分，可能来自资源限制或工程规范场景里KBV复述探针表现的改善。S_kbv约束记忆15分和S_recover破防恢复10分一起起作用，只要模型在终轮诚实复盘中S_integrity得分较高，中途破约也能部分挽回。GPT-5.5与豆包 Pro各涨5.8分，说明在业务规则场景的并行硬约束下，两者的S_hold生存时间有所延长。

GPT-o3跌5.4分，结合v2三轮锚点题满分4分的设计来看，R3施压环节得分可能从2分掉到1分或0分，折算后总分随之下滑。这些变化都出自15个模型参评的26道题池，判分遵循零AI裁判规则。

选型含义：生产流程接入的实际风险

对把AI接入生产流程的企业来说，Gemini 3.1 Pro的89.83分意味着数据边界与安全合规场景可以优先考虑，但资源限制场景仍要额外设置护栏。Claude Opus 4.7这次跌了9.7分，说明它在多轮渐进施压下的守约生存能力弱于本期前五名，接入业务规则流程时应增加人工复核节点。

GPT-5.5 WDCD=82.46，本次上升5.8分，适合工程规范场景，不过S_recover恢复能力还有待验证。企业可以针对5种约束场景分别测试：数据边界场景优先选Gemini 3.1 Pro，安全合规场景要观察Grok 4 83.64分的实际表现，别只依赖得分最高的那个模型。

战略判断：能力高估与低估信号

Claude Opus 4.7这次下降9.7分，说明其守约能力可能被前期市场高估，v3题的沉没成本抬压机制把它的S_hold短板放大了。Gemini 2.5 Pro上升6.8分，再加上Gemini 3.1 Pro 89.83分领先，说明该系列在连续施压下的约束记忆与恢复能力被低估了。

GPT-o3下降5.4分、GPT-5.5上升5.8分，两者形成对比，表明同一厂商不同版本在v2锚点题R1注入约束环节的稳定性存在差异。下期验证重点应放在豆包 Pro与GLM-4.6于业务规则场景的S_integrity诚实自报得分是否稳定上。

分析判断认为，Gemini 3.1 Pro当前的守约能力没有被高估，89.83分的领先优势主要来自v3题多轮施压下的S_hold表现；Claude Opus 4.7的9.7分降幅则暴露了它在权威特批压力下的脆弱性，值得持续跟踪。

守约能力不是静态标签，而是每一次施压轮次的生存记录。

数据来源：赢政指数 WDCD 守约排行榜 | Run #428 · 变化追踪 | 评测方法论