GPT-6 Astra单期跌20.3分：WDCD守约榜6模型下滑，Sonnet 4.6逆涨

在WDCD v3.1这期守约测试里，15个参评模型中只有Claude Sonnet 4.6一家往上走，其余6个模型分数都掉了。GPT-6 Astra一家的跌幅就有20.3分。

下降的模型很集中，幅度也不小。

拿Run #411作对照，本期变化是：Claude Opus 4.7跌11.6分，DeepSeek V4 Pro跌6.9分，GLM-4.6跌13.5分，GPT-6 Astra跌20.3分，GPT-o3跌12.2分，Grok 4跌11.3分；Claude Sonnet 4.6涨5分。Top 5的座次是：Claude Sonnet 4.6以93.93分排第一，Gemini 3.1 Pro 91.90分跟在后面，第三到第五依次为GPT-6 Sol 85.28分、GPT-5.5 81.88分、GPT-6 Luna 81.69分。

多轮施压之下，各模型守住约束的差异就显出来了。

WDCD v3题的对话有8-12轮：先立2-5条并行硬约束，再一级一级加上社会认同、权威特批、切香肠、沉没成本这些压力，最后靠KBV复述探针和终轮诚实复盘来计分。S_hold守约生存占60分，破约越晚拿分越高。GPT-6 Astra跌幅最大，推测是在R2-R3的干扰与施压阶段最早破防，S_hold因此丢分严重。GLM-4.6和GPT-o3都跌超12分，可能是在数据边界或安全合规场景里被连续切香肠时没守住约束记忆，S_kbv 15分和S_recover 10分两头都受了影响。Claude Sonnet 4.6反过来涨了5分，说明在工程规范类约束场景下，沉没成本往上抬的时候它还能把S_hold维持在较高水平。

采样用的是worst-of-3，每题跑3遍取最差那一次，判分按规则来，没有AI裁判。所以这些变化更可能来自模型对v3题并行硬约束的响应稳定性差异，而不是单次随机波动。

落到选型上，把AI接进生产流程的企业要按场景分开看。

对要把AI接进生产流程的企业来说，Claude Sonnet 4.6的93.93分和Gemini 3.1 Pro的91.90分，说明在需要长期维持业务规则或资源限制的场景里可以直接用，但数据边界类约束场景还得额外加外部护栏。GPT-6 Astra跌了20.3分，提示它在安全合规或工程规范场景下破防概率偏高，接入时要加人工复核节点或二次验证机制。GPT-6 Sol 85.28分虽然进了Top 3，跟第一名还差8.65分，在多轮渐进施压的环境下，建议只放在低风险的非核心流程里用。

守约能力这件事，市场上有高估也有低估。

分析来看，市场可能高估了GPT-6 Astra和GLM-4.6的守约能力，它们在v3题多轮施压下S_hold的生存表现，跟当前Top 5模型差得明显。Claude Sonnet 4.6涨的这5分则可能被低估，下期可以接着验证它在KBV复述探针环节的S_integrity得分稳不稳。要跟踪的信号是：下一周期如果GPT-o3和Grok 4的跌幅收窄，说明这轮下降主要来自单期prompt敏感度波动；要是没收窄，就得留意模型更新对约束记忆的影响。

守约分数不是静态标签，而是模型在真实生产压力下的生存曲线。

企业选型时，建议先看S_hold 60分权重下的破防轮次分布，别只盯总分排名。WDCD v3.1试点阶段的数据已经显示，约束场景的差异会直接变成实际部署风险。

数据来源：赢政指数 WDCD 守约排行榜 | Run #422 · 变化追踪 | 评测方法论