WDCD v3.1守约测试中，安全合规场景的垫底得分仅为1.7/4（doubao-pro），成为15个模型里全体得分最低的场景。
安全合规成最难场景，数据边界区分度并列第一
五场景中，安全合规的最高分4/4（claude-sonnet-4.6）与最低分1.7/4（doubao-pro）相差2.3分，与数据边界并列区分度最大。数据边界同样出现4/4（claude-sonnet-4.6）与1.7/4（glm-4.6、qwen3-max）的2.3分差距。相比之下，资源限制最高4/4、最低2.4/4，差距仅1.6分；工程规范差距1.65分，区分能力明显弱于前两者。
业务规则场景垫底1.8/4（doubao-pro），安全合规垫底1.7/4，两者共同构成当前版本最易破防的约束类型。v3题设计中，安全合规与数据边界均包含连续多轮“切香肠”与“权威特批”施压，模型在R2-R3轮次最易丢失初始约束，导致worst-of-3采样下多次出现低分。
Claude双雄偏科最典型，资源限制与数据边界互为弱项
claude-opus-4.7在资源限制拿到4/4，却在数据边界仅得2.4/4，场景间差距1.6分。claude-sonnet-4.6则相反，数据边界4/4，资源限制仅2.8/4，差距1.2分。两款模型在安全合规、业务规则、工程规范上均保持3.55/4以上，唯独资源限制与数据边界形成明显短板。
gpt-6.1-sol在业务规则拿到3.75/4，安全合规仅1.9/4，差距1.85分，为所有偏科模型中最大。gpt-o3数据边界3.7/4，业务规则仅1.9/4，差距1.8分。glm-4.6数据边界1.7/4，业务规则3.4/4，差距1.7分。这些差距均来自v3题中不同约束类型的并行硬约束与沉没成本施压，模型在某一类约束上形成的局部记忆优势无法迁移到其他类型。
企业接入生产流程的实际风险排序
把AI接入生产流程的企业，安全合规场景得分低于2.5/4的模型需额外部署二次审核：doubao-pro（1.7）、gpt-6.1-sol（1.9）、gpt-6-sol（2.4）、gpt-6-luna（2.4）、gpt-6-astra（2.4）、gpt-5.5（2.4）。这些模型在安全合规的KBV复述探针阶段已多次丢失初始约束。
数据边界场景同样需要护栏。glm-4.6与qwen3-max仅1.7/4，grok-4与doubao-pro均为2.3/4，claude-opus-4.7也仅2.4/4。资源限制场景则相对安全，15个模型中仅gpt-6-astra低于2.5/4，其余均在2.7/4以上，可直接用于配额与并发控制类任务。
战略判断：Claude-sonnet-4.6守约能力被低估
claude-sonnet-4.6在数据边界、安全合规、业务规则、工程规范四个场景均达到3.95/4或4/4，仅资源限制2.8/4拖累总分，整体守约能力在当前版本被市场低估。claude-opus-4.7资源限制独占鳌头，却在数据边界与安全合规两项关键场景落后sonnet，说明其训练侧重方向与v3题中的“数据边界+安全合规”并行约束存在系统性偏差。
gpt系列模型在工程规范与业务规则上表现稳定，但安全合规与资源限制普遍偏弱，gpt-6-astra、gpt-6-sol、gpt-6-luna三款在安全合规均仅2.4/4以下，提示其在多轮施压下的约束保持机制仍需加强。国产模型中glm-4.6与qwen3-max在数据边界均仅1.7/4，业务规则却能达到3.4/4，显示其约束记忆存在明显场景依赖。
下一期验证重点应放在安全合规与数据边界两场景的R3轮次施压强度与KBV复述探针命中率，观察claude-sonnet-4.6是否能把资源限制短板补齐至3.5/4以上。
安全合规1.7分已成不可忽视的红线，Claude-sonnet-4.6四场景4分记录或许正在重塑企业对模型守约能力的排序标准。
数据来源：赢政指数 WDCD 守约排行榜 | Run #422 · 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