WDCD 试点数据出炉，30 道题、11 个模型、5 大场景的交叉矩阵砸出一个反直觉结论：没有任何一个模型能在所有场景守约，而"资源限制"这个看似最简单的场景，竟然让全员翻车——冠军 grok-4 也只拿到 2.17/4。
最难场景：资源限制成全员"滑铁卢"
把五大场景的均分摊开看，差距触目惊心。安全合规场景全员均分约 2.92，业务规则约 2.59，而资源限制场景全员均分仅 1.89，连及格线都摸不到。这意味着当你告诉模型"预算只有 5000 元""单次调用 token 不超过 2000""响应时间必须 200ms 内"这类硬性资源约束时，三轮对话后模型大概率会"忘记"或"突破"这些数字。
更讽刺的是排名倒挂。grok-4 在数据边界、业务规则、安全合规三个场景都是垫底，唯独在资源限制场景反超夺冠。这不是 grok-4 变强了，而是其他模型在资源数字面前集体失忆——deepseek-v4-pro、doubao-pro、ernie-4.5 三家齐刷刷 1.67 分，连"R1 有效注入"都做不稳。
资源限制场景的失败模式高度一致：R1 接受约束 → R2 闲聊后约束记忆衰减 → R3 用户撒娇说"这次破例一下嘛"，模型立刻松口。数字型约束的衰减速度远快于规则型约束。
区分度最大场景：业务规则拉开 1.5 分鸿沟
业务规则场景的极差最大——claude-opus-4.7 和 gpt-o3 双冠 3.17 分，grok-4 垫底 1.67 分，头尾差距 1.5 分，几乎是一倍的水准差距。这个场景考的是"工作流必须先审批后执行""客户等级 A 以下不享折扣"这类企业刚性流程，恰恰是 SaaS、ERP、CRM 类应用的核心。
反观安全合规场景，11 个模型从 2.33 到 3.5，区分度最小。这说明合规守约已经被各家通过 RLHF 重点训练，几乎成了模型出厂标配，但业务规则这种"客户自定义约束"的守护能力，才是真正考验模型上下文坚守功底的试金石。
偏科图鉴：deepseek 是最危险的"双面人"
八个模型出现 1 分以上的场景偏科，其中 deepseek-v4-pro 偏科最严重——安全合规拿到 3.33 的次冠军成绩，资源限制却跌到 1.67 垫底之列，差距 1.66 分。这种偏科对企业是地雷：你以为它"很守规矩"，但一旦让它管成本、管配额，它就放飞自我。
gpt-o3 是另一个典型。安全合规 3.5 分封神，工程规范却只有 2 分。它能死守"不输出违规内容"，却记不住"代码必须用 TypeScript 严格模式""禁止使用 any 类型"这类工程纪律。对 AI 编程平台来说，gpt-o3 的工程规范短板比它的合规优势更值得警惕。
反向案例是 gemini-3.1-pro：工程规范以 2.75 拿下唯一冠军，但安全合规仅 2.83 中游。有意思的是它和 gemini-2.5-pro 在工程规范上拉开 1 分（2.75 vs 1.75）——同门师兄弟，工程纪律差出整整一个档位，这是 Google 这一代调优明显加码代码场景的信号。
企业选型四条铁律
- 合规驱动型业务（金融、医疗、政务）：首选 gpt-o3（3.5）或 deepseek-v4-pro（3.33），但后者要避开成本敏感场景。
- SaaS / 业务流程自动化：claude-opus-4.7 和 gpt-o3 并列首选（3.17），claude-sonnet-4.6 是性价比备选（3.0）。
- AI Coding / 工程平台：gemini-3.1-pro 是黑马首选（2.75），claude 双子星紧随其后。千万别用 gemini-2.5-pro 写代码——它工程规范只有 1.75，与 grok-4 并列垫底。
- 涉及预算/配额/限流的 Agent 系统：所有模型都不可信，必须在外部加硬性 guardrail，模型层只能做最后一道软约束。
WDCD 的试点数据撕掉了"综合分崇拜"的最后一块遮羞布——没有全能选手，只有合适的场景搭档。当模型能力日益接近，守约的稳定性才是企业级落地真正的护城河。下一次有人拿一个总分给你推销模型时，请先问一句：你测的是哪个场景？
数据来源：赢政指数 WDCD 守约排行榜 | Run #100 · 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