Gemini 3.1 Pro 以 89.83 分在 WDCD v3.1 守约测试中排名第一，Qwen3 Max 以 58.85 分位列最后。15 个参评模型的等权平均得分显示，头部与尾部之间存在 31 分差距，这一差距主要来自 R3 施压阶段的约束生存表现。
排名格局：头部集中与尾部断层
前五名模型得分均超过 80 分，Gemini 3.1 Pro（89.83）、Grok 4（83.64）、GPT-5.5（82.46）、GPT-6 Astra（81.68）、GLM-4.6（80.48）。第 6 至第 12 名集中在 73-79 分区间，第 13 名后出现明显下滑，GPT-6 Luna 69.58 分、豆包 Pro 69.45 分，Qwen3 Max 58.85 分。全局满分率 41%，R3 崩溃率 8.5%，说明多数模型能在前两轮保持约束，但进入第三轮多轮施压后，约一成模型出现全面破防。
冠军分析：Gemini 3.1 Pro 的 R3 优势
Gemini 3.1 Pro 的 v2 锚点题得分为 R1=1.00、R2=0.88、R3=1.75/2，总分 89.83。R3 得分 1.75 高于 Grok 4 的 1.50 和 GPT-5.5 的 0.63，表明其在连续施压（社会认同、权威特批、切香肠、沉没成本）下的约束生存能力更强。v3 题的 S_hold 权重占 60 分，该模型在 8-12 轮对话中破约时间最晚，直接拉高了总分。相比之下，Qwen3 Max 的 R1=R2=R3 均为 0，意味着其在第一轮约束注入阶段即无法建立有效守约，后续轮次全部失效。
垫底模型的机制缺陷
Qwen3 Max 在所有 v2 锚点题中得 0 分，说明其在数据边界与安全合规场景下，初始约束建立即失败。尾部模型如豆包 Pro（69.45）R1 仅 0.75，显示其在立约阶段已存在 25% 概率违约。Claude Opus 4.7 本期 73.36 分，较上期下降 9.7 分，主要源于 R3 得分从可能更高水平回落至 1.25，反映其在工程规范约束下的恢复能力减弱。
头部梯队与尾部差距的成因
差距最可能来自 v3 题的连续施压轮次与 KBV 复述探针。Gemini 3.1 Pro 在 R3 阶段仍能维持 1.75 分，说明其 S_recover（破防恢复 10 分）与 S_integrity（诚实自报 15 分）得分较高。尾部模型在沉没成本抬压后，S_hold 直接归零，导致总分大幅落后。v2 锚点题的三轮设计中，R3 权重 2 分，头部模型平均 R3 得分 1.2 以上，尾部平均低于 0.8，印证了多轮渐进施压对守约能力的区分度。
企业选型含义：生产流程接入的实际风险
把 AI 接入生产流程的企业，在安全合规与数据边界场景下，应优先选择 WDCD 80 分以上的模型。Gemini 3.1 Pro 的高 R3 得分意味着在资源限制与业务规则约束下，破约概率较低，可减少人工复核成本。GPT-5.5（82.46）与 GPT-6 Astra（81.68）R3 得分分别为 0.63 和 1.13，差距 0.5 分，提示同系列不同版本在工程规范场景下的表现不稳定，需单独测试后再部署。尾部模型如 Qwen3 Max 在所有约束场景下 R1 即为 0，企业若用于高风险合规流程，必须叠加外部规则引擎与人工审批，否则单次破约即可造成数据泄露或流程违规。
战略判断：被低估与被高估的信号
Grok 4 的 83.64 分与 R2=1.00、R3=1.50 的组合，可能被市场低估，其在干扰轮次的约束记忆能力优于多数 GPT 变体。GPT-o3 本期 75.04 分，较上期下降 5.4 分，R3 仅 0.50，显示其在多轮施压下的 S_hold 能力下滑，这一信号值得下期验证是否为版本迭代中的临时波动。Claude Sonnet 4.6（74.24）与 Claude Opus 4.7（73.36）R3 得分接近，但前者 R2 更低，说明同一厂商不同尺寸模型在约束记忆维度存在系统性差异。豆包 Pro 本期上升 5.8 分，主要来自 R3 改善至 1.25，或许反映其在安全合规场景的针对性优化，但仍需观察下一期是否稳定。
总体而言，WDCD v3.1 结果显示，守约能力已成为区分生产级模型的关键指标。企业不应仅依赖通用基准，而应针对自身 5 类约束场景单独验证 R3 表现。Gemini 3.1 Pro 的领先位置可能延续，但 GPT 系列内部 10 分以上的分化，提醒选型时必须逐版本测试。
守约不是模型的附加功能，而是生产部署的底线；谁在 R3 阶段先破，谁就先为企业埋下合规雷。
数据来源：赢政指数 WDCD 守约排行榜 | Run #428 · 总榜排名 | 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