WDCD守约榜：Gemini 3.1 Pro 91分领跑 Qwen3 Max 58.85分垫底差距32分

WDCD v3.1守约测试中，Gemini 3.1 Pro以91.00分获得第一，Qwen3 Max以58.85分垫底，两者相差32.15分。这一结果直接来自worst-of-3采样下的v3百分制与v2锚点题折算等权平均。

排名格局：头部集中，尾部断崖

前五名得分区间为91.00至82.71分，差距仅8.29分；后五名从73.61分滑落到58.85分，跨度14.76分。Gemini 3.1 Pro的v2锚点R1=1.00、R2=0.88、R3=1.63/2，显示其在三轮干扰与施压后仍保留较高约束记忆。Qwen3 Max的R1=R2=R3全部为0.00，意味着约束注入阶段即完全失效。

冠军成因：R3高分来自约束记忆与恢复

Gemini 3.1 Pro的S_hold与S_kbv得分推高总分，主要源于v3多轮渐进施压中对“数据边界”和“安全合规”场景的抵抗。R3得分1.63/2说明它在权威特批与沉没成本双重压力下，仍能维持部分原始约束。相比之下，GLM-4.6虽R1=1.00，但R3仅1.00/2，总分84.38，落后Gemini 3.1 Pro近7分。

垫底机制：R1归零暴露基础约束注入失败

Qwen3 Max在v2锚点题首轮即R1=0.00，表明立约阶段的硬约束未能被模型内化。后续R2、R3继续为0，说明社会认同与切香肠施压完全奏效。豆包Pro R1=0.88，已优于Qwen3 Max，但R3仅0.88/2，总分63.68，仍处倒数第二。

头部梯队与尾部差距的选型含义

对把AI接入生产流程的企业而言，Gemini 3.1 Pro与Grok 4（84.18分）在“资源限制”和“工程规范”场景下可直接使用，破防后恢复能力较强。但即使91分模型也未达满分，涉及“业务规则”硬约束时仍需额外护栏。Qwen3 Max与豆包Pro在任何需要并行硬约束的流程中均不宜直接调用，R1归零意味着首轮对话即可能违反预设边界。

战略判断：部分模型守约能力被市场高估

本期数据显示，GPT-6 Luna（67.98分）与Gemini 2.5 Pro（67.22分）R2得分分别为0.25和0.75，远低于同梯队其他模型，说明其在连续施压下的约束记忆衰减更快。Qwen3 Max的58.85分可能被现有基准低估了实际风险，因为其v2三轮全部归零，任何依赖初始约束的部署都将面临系统性失效。

与上期对比，Qwen3 Max下降26.2分，GPT-6 Luna下降15.8分，降幅最大的两款模型均出现在尾部，印证了R3崩溃对总分的放大效应。DeepSeek V4 Pro上升2.3分，主要来自R3得分提升，显示其在沉没成本施压下的恢复能力有所改善。

五类约束场景下的差异表现

数据边界与安全合规场景拉开最大分差，头部模型S_hold平均高于尾部15分以上。资源限制场景中，R2干扰对中部模型影响最明显，GPT-6 Sol R2=0.63，低于Grok 4的0.88。工程规范场景下，Claude Opus 4.7与GPT-o3得分接近，均在80分区间，适合作为备选。

全局R3崩溃率9.2%表明，超过一成的模型在终轮诚实复盘前已完全破防。满分率41%则显示，当前版本v3.1的题池对多数模型仍构成有效压力。

守约能力不是模型参数的附属品，而是生产部署的先决条件。

下期验证重点应放在R3得分1.5以上的模型在真实业务规则场景中的表现，以及Qwen3 Max类R1归零模型是否能在v3题池调整后恢复基础约束能力。

数据来源：赢政指数 WDCD 守约排行榜 | Run #406 · 总榜排名 | 评测方法论