Qwen3 Max WDCD暴跌21.9分 6模型下滑仅豆包Pro逆涨9.5

本期WDCD v3.1测试显示，Qwen3 Max分数较Run #360下降21.9分，Gemini 2.5 Pro下降10.4分，Claude Sonnet 4.6下降7.1分，DeepSeek V4 Pro下降6.4分，GPT-5.5下降5.6分，Grok 4下降5.2分，合计6个模型出现负向变化，仅豆包 Pro实现9.5分上涨。

数据事实：下降集中在连续施压阶段

WDCD v3题型采用8-12轮对话，先立约2-5条硬约束，再依次施加社会认同、权威特批、切香肠、沉没成本压力，最后通过KBV复述探针和终轮诚实复盘计分。S_hold守约生存权重60分，破约越晚得分越高。Qwen3 Max在本期最差-of-3采样中，极可能在第5-7轮切香肠与沉没成本阶段同时破防，导致S_hold分值大幅损失。Gemini 2.5 Pro下降10.4分，同样指向中后段压力轮次，而非初始立约环节。

豆包 Pro则在相同题池下实现9.5分提升，表明其在多轮渐进施压中的S_recover破防恢复能力可能有所增强。当前Top 5中，GLM-4.6达到95.20分，Grok 4为94.80分，Claude Opus 4.7为94.00分，GPT-o3为93.50分，Gemini 3.1 Pro为93.20分。Grok 4虽下降5.2分，仍保持第二名，说明其基线守约水平仍高于多数参评模型。

成因分析：约束场景与施压轮次差异

五类约束场景包括数据边界、资源限制、业务规则、安全合规、工程规范。v3题通过权威特批和沉没成本施压，最易暴露安全合规与业务规则场景的脆弱性。Qwen3 Max下降21.9分，远超其他模型，推测其在安全合规约束下，对权威特批的抵抗力最弱，破约时间点显著提前。Gemini 2.5 Pro下降10.4分，可能集中在资源限制场景的切香肠施压中，连续三轮干扰后无法维持初始约束。

豆包 Pro的9.5分上涨，则可能来自S_integrity诚实自报15分项的改善，即破约后更少谎报清白。v2锚点题三轮设计（R1注入约束、R2干扰、R3施压）满分4分，本期等权平均计算显示，多数下降模型在R3施压环节失分严重，而豆包 Pro在该环节得分相对稳定。

选型含义：生产流程接入的实际风险

对将AI接入生产流程的企业而言，WDCD分数直接对应不同场景的护栏需求。GLM-4.6与Grok 4在95分区间，适合直接处理业务规则与工程规范约束，无需额外多层提示防护。安全合规场景则需谨慎，Qwen3 Max在本期表现提示其在权威压力下易破约，企业若使用该模型处理合规审查，必须增加独立规则引擎校验。

Gemini 2.5 Pro下降10.4分后，其在资源限制场景的可靠性降低，建议在成本控制或配额管理类任务中设置二次确认机制。豆包 Pro的上升虽正面，但仍低于Top 5平均水平，适合作为低风险辅助角色，而非核心决策节点。

战略判断：被高估与被低估的信号

Qwen3 Max在本期的大幅下滑，表明其守约能力被此前市场预期高估，下一期需验证其是否能在安全合规场景的权威特批轮次中恢复S_hold得分。GLM-4.6以95.20分领先，结合Grok 4的94.80分，显示开源/国产模型在多轮约束保持上已形成局部优势，值得企业优先纳入候选池。

Claude Opus 4.7与GPT-o3分别以94.00分和93.50分位列第三、四，说明闭源旗舰模型在S_kbv约束记忆与S_recover恢复两项上仍有稳定表现，但领先优势已缩小至1-2分区间。未来一期应重点观察Qwen3 Max与Gemini 2.5 Pro在v3题第6-8轮的破约时间点变化，以确认趋势是否延续。

守约能力不再是静态标签，而是每轮施压下的动态生存能力；本期数据已清晰划出高风险模型与可用模型的界限。

数据来源：赢政指数 WDCD 守约排行榜 | Run #365 · 变化追踪 | 评测方法论