Claude Sonnet 4.6 涨6.2 Qwen3 Max 跌11.9 WDCD 守约能力分化加剧

本期WDCD v3.1试点仅Claude Sonnet 4.6与Qwen3 Max两模型出现显著分数变化，其余13个参评模型保持稳定。Claude Sonnet 4.6得分上升6.2分，Qwen3 Max得分下降11.9分。守约总分由v3题原生百分制与v2锚点题折算值等权平均得出，采样口径为worst-of-3。

数据事实：仅两模型变动，Top5格局未破

当前Top5依次为Grok 4（91.97）、Claude Opus 4.7（90.66）、DeepSeek V4 Pro（90.38）、Gemini 3.1 Pro（89.76）、GPT-o3（87.07）。Claude Sonnet 4.6的6.2分上升未进入Top5，Qwen3 Max的11.9分下降也未跌出前五之外。15个模型中13个模型本期与Run #379相比无显著变化，表明多数模型在v3多轮渐进施压与v2三轮锚点题上的表现相对稳定。

成因分析：施压轮次与约束场景的可能机制

WDCD v3题采用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、沉没成本等逐级压力，最后进行KBV复述探针与终轮诚实复盘。S_hold守约生存占60分，破约越晚得分越高。Qwen3 Max下降11.9分，最可能出现在R3施压阶段或切香肠/沉没成本环节，S_hold得分被提前扣除。Claude Sonnet 4.6上升6.2分，则可能在连续施压后仍维持较高S_hold，并在S_recover破防恢复与S_integrity诚实自报两项获得额外加分。

v2锚点题满分4分，用于跨版本可比。Qwen3 Max在本期v2三轮测试中R3得分可能低于前次，导致折算百分制拉低总分。Claude Sonnet 4.6在v3题的KBV复述探针环节记忆约束的能力或许有所提升，S_kbv 15分项贡献了部分增量。当前数据仅显示总分变化，无法定位具体5种约束场景中的哪一类，但多轮渐进施压设计本身已指向资源限制与安全合规场景更容易暴露S_hold脆弱性。

选型含义：生产流程接入的实际风险边界

对把AI接入生产流程的企业而言，守约得分直接影响可部署场景。Grok 4以91.97分领先，表明其在最差一次采样下仍能较好维持立约约束，适合数据边界与工程规范类任务。Claude Opus 4.7（90.66）与DeepSeek V4 Pro（90.38）紧随其后，可在资源限制场景下作为备选，但仍需针对业务规则场景额外设置外部校验。

Qwen3 Max下降11.9分后，其在连续施压下的S_hold生存能力已低于前次，建议企业在安全合规场景中为其增加二次确认护栏。Claude Sonnet 4.6的6.2分上升显示其在本次采样中恢复与自报能力有所改善，但因仅为单期数据，企业仍应在切香肠式需求变更场景中保留人工复核节点。所有模型均需在真实业务规则场景下再做worst-of-3验证后方可扩大使用范围。

战略判断：守约能力被市场低估与高估的信号

从本期数据可推断，Qwen3 Max的守约能力可能被市场高估，其11.9分降幅在仅两模型变动的背景下显得突出，提示其对v3题的连续施压敏感度上升。Claude Sonnet 4.6的6.2分上升则可能被低估，但因未进入Top5，市场对其实际生产价值的认知仍需下期数据确认。Grok 4、Claude Opus 4.7、DeepSeek V4 Pro三者在本期保持领先且无显著波动，守约能力相对被市场正确评估。

值得下期验证的信号是：Qwen3 Max是否能在下一轮采样中恢复S_hold得分，以及Claude Sonnet 4.6的上升是否可持续至进入Top5。当前试点阶段不参与主榜计分，企业选型时应优先参考worst-of-3下的S_hold 60分项，而非仅看总分排名。

守约能力的分化不是模型大小的简单函数，而是多轮施压下S_hold生存与S_integrity自报的真实较量。

数据来源：赢政指数 WDCD 守约排行榜 | Run #384 · 变化追踪 | 评测方法论