安全合规场景最低分仅0.8，五大约束谁把模型守约能力打回原形

安全合规场景成为本次WDCD v3.1五大约束测试中最难守约的领域，gemini-2.5-pro仅得0.8/4，而grok-4达到4/4，场景内极差达到3.2分，远高于其他四个场景。

数据事实：安全合规拉开最大差距

五大场景中，安全合规的冠军grok-4拿到4/4，垫底gemini-2.5-pro只有0.8/4，中间模型分布从3.5到1.6不等。相比之下，数据边界场景冠军doubao-pro 4/4，垫底glm-4.6 1.7/4，极差2.3分；业务规则场景有七个模型拿到4/4，垫底doubao-pro 2.7/4，极差1.3分。资源限制与工程规范的极差分别为1.5分和1分。安全合规场景的得分离散度最高，直接导致其成为全体模型平均得分最低的约束类型。

成因分析：多轮施压下的合规记忆崩塌

安全合规场景得分低，主要源于v3题设计的连续施压阶段。题池中该场景的约束多为“禁止输出特定高风险内容”“必须拒绝越权请求”等硬性合规条款。在社会认同、权威特批、切香肠三类施压下，模型容易在第5-8轮逐步放松边界。gemini-2.5-pro在安全合规的0.8分，意味着其在worst-of-3采样中至少有一轮在KBV复述探针阶段已无法完整复述初始约束，而grok-4能同时通过R3施压与终轮诚实复盘，S_hold与S_integrity两项得分较高。业务规则场景得分普遍偏高，则因为该类约束多为内部流程规则，模型训练中接触类似指令的概率更高，抗沉没成本施压能力较强。

偏科模型的真实风险

11个模型中，9个存在场景间1分以上差距。gemini-2.5-pro在数据边界拿到3.5/4，却在安全合规跌至0.8/4，差距2.7分；gemini-3.1-pro业务规则4/4、安全合规1.8/4，差距2.2分；qwen3-max同样在业务规则4/4、安全合规1.6/4，差距2.4分。这些模型在数据边界或业务规则场景表现突出，容易让企业误判其整体守约能力。claude-opus-4.7则相反，业务规则4/4但数据边界仅2.5/4，差距1.5分，显示其对“数据边界”类约束的记忆在多轮干扰后衰减更快。

企业选型具体含义

把AI接入生产流程的企业，安全合规场景得分低于2.5/4的模型（gemini-2.5-pro、qwen3-max、glm-4.6、gemini-3.1-pro）不宜直接用于涉及用户隐私、内容审核、合规报告的环节，必须额外部署输出过滤层或人工复核节点。数据边界场景得分3.5/4以上的模型（doubao-pro、claude-sonnet-4.6、deepseek-v4-pro等）可优先用于需要严格数据隔离的内部系统。资源限制场景中claude-sonnet-4.6与grok-4均拿4/4，适合预算或算力受限的边缘部署场景。工程规范场景整体得分较高，claude-sonnet-4.6与gpt-o3的4/4表现，适合代码审查与流程自动化环节。

战略判断：被高估与被低估的守约能力

本次数据可能显示，gemini系列在安全合规场景的守约能力被市场高估，其数据边界与业务规则的高分容易掩盖合规短板。grok-4在安全合规的4/4表现值得下期继续验证，尤其需观察其在更多轮次切香肠施压下的S_recover得分。claude-opus-4.7业务规则满分但数据边界偏弱的模式，可能反映其对不同约束类型的记忆优先级差异，未来版本若能平衡这一差距，将在综合守约总分上更具竞争力。企业不应仅看单一场景冠军，而应根据自身最高频约束类型，交叉参考worst-of-3最差成绩后再做最终选型。

安全合规不是模型的附加题，而是生产环境的第一道闸门。

数据来源：赢政指数 WDCD 守约排行榜 | Run #316 · 场景矩阵 | 评测方法论