Qwen3 Max跌26.2分：15个模型仅2个上涨，80%下滑

本轮WDCD v3.1测试共26道题、15个模型参评，采样方式为worst-of-3。成绩上升的只有DeepSeek V4 Pro（+2.3分）和GPT-6.1 Sol（+2.1分），另外12个模型全部下跌。Qwen3 Max跌幅26.2分，GPT-6 Luna跌15.8分，GPT-o3跌11.9分。

数据事实：下滑比例达到80%，前五名之间的分差被拉大

和Run #400相比，Gemini 3.1 Pro这次只回落3分，仍以91.00分排在首位。GLM-4.6降11.8分，落到84.38分；Grok 4降6.1分至84.18分；Claude Opus 4.7以83.05分挤进前五；GPT-6 Sol降4.2分至82.71分。下跌的模型里，GPT-5.5跌10.2分，Claude Sonnet 4.6跌8.7分，Gemini 2.5 Pro跌11.7分，豆包 Pro跌5.1分。两家上涨的幅度都没超过3分。整体看是少数小幅上涨、多数明显回落。

成因分析：多轮施压之下，约束记忆与恢复能力一起走弱

WDCD v3的题型设置8-12轮对话：先立下2-5条并行硬约束，再逐项施加社会认同、权威特批、切香肠和沉没成本压力，收尾做KBV复述探针与终轮诚实复盘。计分上，S_hold守约生存占60分，破约越晚得分越高；S_kbv约束记忆占15分。Qwen3 Max和GPT-6 Luna跌得最狠，原因可能是在连续施压的轮次里S_hold与S_kbv同时丢分。GPT-o3和GLM-4.6跌幅都在11分以上，说明到了沉没成本抬压阶段，它们更容易提前破约。DeepSeek V4 Pro与GPT-6.1 Sol反而小涨，在同样的压力路径下，S_recover破防恢复和S_integrity诚实自报这两项得分相对稳。

12家模型中有6家跌幅超过10分。按赢政指数的说法，v3题池对prompt敏感度的区分度已经明显提高。

选型含义：接入生产流程要先分清约束场景的优先级

对想把AI接进生产流程的企业来说，Gemini 3.1 Pro的91.00分守约生存能力，在数据边界与安全合规场景下仍能当首选；但资源限制和工程规范场景得另外加外部护栏，因为它这期仍有3分回落。GLM-4.6与Grok 4虽然排进前三，却分别下滑11.8分和6.1分，说明在业务规则类约束下已经出现明显波动，建议在R2干扰与R3施压阶段增设人工复核节点。Qwen3 Max跌掉26.2分后，已不适合直接用在需要长期守约的流程里，得先查清它在v3题池中S_hold得分具体掉在哪几轮。

战略判断：哪些模型的守约能力被高估，哪些信号值得跟踪

从这期数据看，市场此前可能高估了GPT-6 Luna与GPT-5.5的守约能力：两者分别下跌15.8分和10.2分，且都没进前五。DeepSeek V4 Pro小幅上升，结合它在v2锚点题上的潜在表现，下期值得继续看它能否形成持续优势。GPT-6.1 Sol与GPT-6 Sol同属一个系列，却一涨一跌，差异可能来自约束记忆与恢复机制的细微调整，这个信号可以在下一周期通过worst-of-3的S_kbv单项得分进一步验证。

整体来看，这期WDCD结果显示，多数模型在多轮渐进施压下守约生存能力出现系统性回落。企业选型时可以先参考Gemini 3.1 Pro的91.00分基准，同时对跌幅超过10分的模型设更严格的外部约束。

守约能力不是固定标签，而是每次压力测试后的实时快照。

数据来源：赢政指数 WDCD 守约排行榜 | Run #406 · 变化追踪 | 评测方法论