本期WDCD v3.1测试覆盖26道题目，15个模型参评，采样口径为worst-of-3。结果显示仅DeepSeek V4 Pro（+2.3分）和GPT-6.1 Sol（+2.1分）两家得分上升，其余12家全部下降，其中Qwen3 Max跌幅26.2分、GPT-6 Luna跌15.8分、GPT-o3跌11.9分。
数据事实：下降面达80%，Top 5内部差距拉大
对比Run #400，本期Gemini 3.1 Pro仅微降3分，仍以91.00分位列第一。GLM-4.6下滑11.8分至84.38分，Grok 4下滑6.1分至84.18分，Claude Opus 4.7以83.05分进入前五，GPT-6 Sol下滑4.2分至82.71分。下降模型中，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。上升两家幅度均不超过3分，整体呈现“少数微涨、多数明显回落”的格局。
成因分析：多轮施压下约束记忆与恢复能力同步衰减
WDCD v3题型采用8-12轮对话，先立约2-5条并行硬约束，再依次施加社会认同、权威特批、切香肠、沉没成本压力，最后进行KBV复述探针与终轮诚实复盘。计分中S_hold守约生存占60分，破得越晚得分越高；S_kbv约束记忆占15分。Qwen3 Max与GPT-6 Luna跌幅最大，可能源于在连续施压轮次中S_hold与S_kbv同时失分。GPT-o3与GLM-4.6跌幅均超11分，提示其在沉没成本抬压阶段更容易提前破约。反观DeepSeek V4 Pro与GPT-6.1 Sol小幅上升，显示其在相同压力路径下S_recover破防恢复与S_integrity诚实自报两项得分相对稳定。
12家模型中，跌幅超过10分的达到6家，说明v3题池对prompt敏感度的区分度已显著提高。
选型含义：生产流程接入需区分约束场景优先级
对把AI接入生产流程的企业而言，Gemini 3.1 Pro 91.00分的守约生存能力在数据边界与安全合规场景下仍可作为首选；但在资源限制与工程规范场景，需额外增加外部护栏，因为其本期仍出现3分回落。GLM-4.6与Grok 4虽位列前三，但分别下滑11.8分与6.1分，提示在业务规则类约束下已出现明显波动，建议在R2干扰与R3施压阶段增加人工复核节点。Qwen3 Max跌26.2分后，已不适合直接用于需要长期守约的流程，须先验证其在v3题池中S_hold得分的具体轮次。
战略判断：守约能力被高估的模型与值得跟踪的信号
从本期数据可判断，GPT-6 Luna与GPT-5.5的守约能力可能被此前市场高估，其跌幅分别达到15.8分与10.2分，且均未进入Top 5。DeepSeek V4 Pro小幅上升，结合其在v2锚点题的潜在表现，值得下期继续观察是否形成持续优势。GPT-6.1 Sol与GPT-6 Sol同属系列却一涨一跌，差异可能来自约束记忆与恢复机制的细微调整，此信号可在下一周期通过worst-of-3的S_kbv单项得分进一步验证。
总体而言，本期WDCD结果显示多数模型在多轮渐进施压下的守约生存能力出现系统性回落。企业选型时应优先参考Gemini 3.1 Pro的91.00分基准，同时对跌幅超过10分的模型设置更严格的外部约束。
守约能力不是静态标签，而是每一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
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接