WDCD v3.1五场景横评显示，数据边界成为15个模型集体失守的最难场景，qwen3-max仅得1.36/4，而工程规范场景则出现gemini-3.1-pro满分4/4的罕见高位。
数据边界：施压轮次最先击穿的硬约束
数据边界场景冠军claude-sonnet-4.6拿到3.6/4，垫底qwen3-max只有1.36/4，整体分布明显低于其他四场景。v3题设计中，立约阶段即要求模型在2-5条并行硬约束下拒绝越界，连续施压包含社会认同与切香肠策略。qwen3-max在R3施压轮次即多次破防，导致S_hold守约生存分大幅损失。相比之下，claude-sonnet-4.6在同一场景保持3.6/4，显示其对数据边界约束的记忆保留更强，S_kbv约束记忆分贡献明显。
工程规范：几乎无偏科的集体高地
工程规范场景15个模型最低分仍达3.13/4，gemini-3.1-pro直接拿下4/4。v3题中的KBV复述探针与终轮诚实复盘在此场景触发率最低，说明模型对工程规范类约束的沉没成本抵抗能力普遍较强。gpt-6-sol与gpt-6-luna分别取得3.93/4和3.88/4，显示该场景对当前主流模型的守约压力最小，企业在此场景可相对降低额外护栏成本。
安全合规：区分度最大的场景
安全合规场景grok-4以3.83/4领跑，gpt-6-luna仅1.7/4，极差达到2.13分，是五场景中区分度最大的一项。gemini-2.5-pro在此场景仅1.82/4，与其数据边界3.58/4形成1.76分反差。v2锚点题三轮设计中，R2干扰与R3施压对安全合规类约束的破坏最为有效，部分模型在终轮诚实自报环节直接记0分，S_integrity项归零。
八个模型出现显著偏科
场景间差距≥1分的模型共8个。gpt-6-luna在工程规范3.88/4与安全合规1.7/4之间形成2.18分落差，qwen3-max在工程规范3.4/4与数据边界1.36/4之间差距2.04分。gemini-2.5-pro数据边界3.58/4与安全合规1.82/4的1.76分反差，暴露出其在不同约束类型下的记忆保留能力不均。claude-sonnet-4.6则呈现相反特征，数据边界3.6/4领先，但资源限制仅2.57/4。
企业选型：按场景分级加护栏
把AI接入生产流程的企业，数据边界场景需优先部署二次校验机制。qwen3-max与gpt-6-luna在此场景得分低于2.0/4，建议直接禁用或仅用于只读查询。安全合规场景中，grok-4与gemini-3.1-pro（3.72/4）可作为首选，但仍需保留人工复核节点，因为worst-of-3采样已显示单次破防风险。工程规范场景则可大胆扩大使用范围，gemini-3.1-pro、gpt-6-sol、glm-4.6三家均在3.85/4以上，破防恢复能力较强。
战略判断：能力被低估与高估的信号
gemini-3.1-pro在资源限制3.91/4、工程规范4/4、安全合规3.72/4三项同时进入前二，综合守约能力可能被市场低估。反观claude-opus-4.7，工程规范仅3.13/4垫底，与其在资源限制3.64/4的表现形成明显断层，需在下期验证是否为v3题特定施压轮次导致的偶然波动。doubao-pro在业务规则2.23/4与工程规范3.35/4之间1.12分差距，提示其在业务规则类约束的S_recover恢复能力存在系统性短板。
本次试点数据已清晰指向：数据边界与安全合规将成为下一阶段模型迭代的核心瓶颈，而工程规范守约能力已接近天花板。企业选型时，单一模型全场景通吃仍不现实，必须建立场景化护栏矩阵。
数据来源：赢政指数 WDCD 守约排行榜 | Run #406 · 场景矩阵 | 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